Klasifikasi Tumor Payudara Berbasis Ciri Tekstur pada Citra Mammografi Menggunakan Metode Naive Bayes

BELLA JULIA; HENI SUMARTI; HAMDAN HADI KUSUMA

doi:10.26760/mindjournal.v7i2.165-176

Klasifikasi Tumor Payudara Berbasis Ciri Tekstur pada Citra Mammografi Menggunakan Metode Naive Bayes

BELLA JULIA, HENI SUMARTI, HAMDAN HADI KUSUMA

Sari

ABSTRAK

Kanker payudara adalah jenis kanker yang terjadi pada sebagian besar wanita. Kanker payudara terjadi akibat pertumbuhan berlebih atau perkembangan sel jaringan payudara yang tidak terkendali. Mammografi merupakan metode terbaik untuk deteksi dini kanker payudara karena dapat menunjukkan lesi secara dini. Namun, analisis terhadap mammogram ini masih dilakukan secara manual oleh ahli medis, sehingga perlu perangkat tambahan. Telah banyak penelitian tentang olah citra untuk deteksi kanker secara otomatis. Pada penelitian ini digunakan metode Naive Bayes untuk klasifikasi citra tumor jinak dan tumor ganas. Tujuan dari penelitian ini untuk mengklasifikasi citra mammografi berdasarkan dua kelas yaitu tumor jinak dan tumor ganas dengan berbasis ciri tekstur menggunakan histogram dan Gray Level Co-occurrence MatrixÂ (GLCM). Penelitian ini menunjukkan hasil akurasi sebesar 80%, sensitivitas sebesar 90%, dan spesifitas sebesar 70%. Oleh karena itu, penelitian ini bisa dijadikan perangkat tambahan untuk klasifikasi tumor payudara ganas dan jinak.

Kata kunci: Tumor Payudara, Mammografi, Klasifikasi Naive Bayes.

ABSTRACT

Breast cancer is a type of cancer that occurs in most women. Breast cancer occurs due to overgrowth or uncontrolled development of breast tissue cells. Mammography is the best method for early detection of breast cancer because it can show lesions early. However, the analysis of this mammogram is still done manually by medical experts, so additional devices are needed. There have been many studies on image processing for automatic detection. In this study, the Naive Bayes method was used to classify images of benign tumors and malignant tumors. The purpose of this study is to classify mammographic images based on two classes, namely benign and malignant tumors based on histogram textures and Gray Level Co-occurrence Matrix (GLCM). This study showed an accuracy of 80%, sensitivity of 90%, and specificity of 70%. Therefore, this study can be used as an additional tool to classify malignant and benign tumors.

Keywords: Breast Cancer, Mammografi, Naive Bayes Classification

Teks Lengkap:

PDF

Referensi

Amrane, M., Oukid, S., Gagaoua, I., & EnsarÄ°, T. (2018). Breast cancer classification using machine learning. IEEE Conference Publication.

Auliasari, K., & Kertaningtyas, M. (2018). Studi Komparasi Klasifikasi Pola Tekstur Citra Digital Menggunakan Metode K-Means Dan NaÃ¯ve Bayes. Jurnal Informatika, 18(2), 175â€“185.

Azhagusundari, B., & Thanamani, A. S. (2013). Feature Selection based on Information Gain. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 2(2), 18â€“21.

Fajrin, H. R., Nugroho, H. A., & Soesanti, I. (2015). Ekstraksi Ciri Berbasis Wavelet Dan Glcm Untuk Deteksi Dini Kanker Payudara Pada Citra Mammogram. Snst, 47â€“52.

Fitriani, I. R. (2014). Peningkatan Metode Naive Bayes Classification untuk Penentuan Tingkat Keganasan Kanker Payudara Menggunakan Particle Swarm Optimiza-tion.(Graduate â€¦. Universitas Dian Nuswantoro. Jawa Tengah. http://eprints.dinus.ac.id/13137/1/jurnal_13546.pdf

Frank, E., Hall, M. A., & Witten, I. H. (2017). The WEKA workbench. Data Mining, 553â€“571. https://doi.org/10.1016/b978-0-12-804291-5.00024-6

Harismah, K., Vitasari, D., Fuadi, A. M., & Setyawan, T. (2016). Diversifikasi Minyak Sereh Dan Minyak Cengkeh Sebagai Bahan Repellent Pembuatan Tinta Anti Nyamuk. 526â€“531.

Kemenkes. (2019). Kanker Payudara Paling Banyak di Indonesia, Kemenkes Targetkan Pemerataan Layanan Kesehatan. In Kementerian Kesehatan RI (p. 1). https://www.kemkes.go.id/article/view/19093000001/penyakit-jantung-penyebab-kematian-terbanyak-ke-2-di-indonesia.html

Ladha, L., & Deepa, T. (2011). Feature Selection Methods And Algorithms. International Journal on Computer Science and Engineering, 3(5), 1787â€“1797. http://journals.indexcopernicus.com/abstract.php?icid=945099

Listia, R., & Harjoko, A. (2014). Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM). IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 8(1), 59. https://doi.org/10.22146/ijccs.3496

Marlina, L., Munadi, K., & Arnia, F. (2020). Klasifikasi Kanker Payudara Menggunakan Teknik Support Vector Machine (Svm) Pada Citra Termografi. Jurnal Komputer, Informasi Teknologi, Dan Elektro, 5(2), 11â€“13. https://doi.org/10.24815/kitektro.v5i2.15571

Oktavianto, H., & Handri, R. P. (2020). Analisis Klasifikasi Kanker Payudara Menggunakan Algoritma Naive Bayes. INFORMAL: Informatics Journal, 4(3), 117. https://doi.org/10.19184/isj.v4i3.14170

Olaniyi, E. O., Adekunle, A. A., Odekuoye, T., & Khashman, A. (2017). Automatic system for grading banana using GLCM texture feature extraction and neural network arbitrations. Journal of Food Process Engineering, 40(6). https://doi.org/10.1111/jfpe.12575

Purwaningsih, N., Soesanti, I., & Nugroho, H. A. (2015). Ekstraksi Ciri Tekstur Citra Kulit Sapi Berbasis Co-Occurrence Matrix. Seminar Nasional Teknologi Informasi Dan Multimedia, 6â€“8.

Putra, D. K. (2011). Identifikasi keberadaan kanker pada citra mammografi menggunakan metode wavelet haar. Jurnal Ilmiah Teknik Elektro, 1â€“7.

Saiful rahman, A. F., B, A. A., & Kurniawan, S. D. (2019). Identifikasi Citra Daun Dengan Menggunakan Metode Deep Learning Convolutional Neural Network (Cnn). Jurnal Teknik Elektro Uniba (JTE Uniba), 4(1), 23â€“28. https://doi.org/10.36277/jteuniba.v4i1.55

Singh, D., & Kaur, K. (2012). Classification of Abnormalities in Brain MRI Images Using GLCM , PCA and SVM. International Journal of Engineering and Advanced Technology (IJEAT), 1(6), 243â€“248.

WHO. (2018). Cancer. https://www.who.int/health-topics/cancer

Widodo, S., Informasi, J. S., Gunadarma, U., Studi, P., & Informasi, S. (2012). Representasi Kode IRMA pada. Seminar Nasional Teknologi Informasi Komunikasi Dan Industri (SNTIKI) 4, 198â€“202.

Zamrodah, Y. (2016). Bayesian Artificial Intelligence (Second Edition) (Vol. 15, Issue 2). CRC Press.

DOI: https://doi.org/10.26760/mindjournal.v7i2.165-176