DETEKSI DIAMETER KANKER PAYUDARA MENGGUNAKAN SEGMENTASI CITRA BERDASARKAN METODE OTSU THRESHOLDING
##plugins.themes.academic_pro.article.sidebar##
Downloads
##plugins.themes.academic_pro.article.main##
Abstract
Kanker merupakan salah satu penyebab kematian utama di dunia. Pada tahun 2012, sekitar 8.2 juta kematian yang disebabkan oleh kanker, salah satunya yaitu kanker payudara. Kanker payudara didiagnosa melalui pemeriksaan rutin atau ketika pasien menyadari gejala-gejala tertentu, tetapi pemeriksaan fisik saja tidak cukup sehingga diterapkan salah satu metode yaitu metode segmentasi citra. Secara umum tahapan dalam processing ini adalah mengambil citra asli, lalu citra asli dilakukan proses Enhancement atau perbaikan citra dengan Intensity Adjustment. Selanjutnya dilakukan segmentasi menggunakan metode Otsu Thresholding, kemudian dilakukan perhitungan diameter kanker payudara dalam satuan piksel dan diubah menjadi milimeter. Hasil penelitian deteksi diameter kanker payudara terhadap 50 citra, diperoleh hasil bahwa metode pengolahan citra yang diusulkan dapat mendeteksi diameter dan berhasil mengidentifikasi citra, dengan sampel image mammogram 26 cancer, 13 benign, dan 11 normal. Dengan persentasi tingkat kebenarannya sebesar 72% dan kesalahannya 28%.
##plugins.themes.academic_pro.article.details##
Pemberitahuan Hak Cipta
Usulan kebijakan untuk jurnal yang menawarkan akses terbuka Syarat yang dibutuhkan penulis adalah sebagai berikut:
1. Penulis memegang hak cipta dan memberikan jurnal hak penerbitan pertama secara bersamaan di bawah lisensi di bawah Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0), yang mengizinkan orang lain untuk menyalin dan mendistribusikan ulang materi ini dalam bentuk atau format apa pun termasuk menyusun, memodifikasi, dan membuat turunan materi ini untuk tujuan apa pun, termasuk tujuan komersial.
2. Penulis dapat membuat pengaturan kontrak terpisah untuk distribusi non-eksklusif dari versi dekaden publikasi jurnal (misalnya mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan mengakui publikasi aslinya di jurnal ini.
3. Penulis diizinkan dan didorong untuk memposting artikel secara online (misalnya di repositori institusional atau di situs web mereka) seperti pada Garuda, Academia, researchgate atau repository lainnya sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif dan kutipan artikel yang diterbitkan lebih awal dan lebih maju (periksa: Efek Akses Terbuka)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Aristyagama, Y. H. (2016). Pengenalan Karakter Sintaktik Mengguakan Algoritma Otsu dan Zhang-suen. Dipetik Juli 2017, 12, dari hhtp://www.researcehgate.net
Handayani, L., & Septa, I. I. (2014). Segmentasi Mamografi Kanker Payudara Dengan Algoritma Expectation Maximazation Segmentation (EM- SEGMENTATION) , 251-258.
Manajemen Modern dan Kesehatan
Herliana, A., Setiawan, V. A., & Prasetio, R. T. (2018). Penerapan Inferensi Backward Chaining Pada Sistem Pakar Diagnosa Awal Penyakit Tulang. Jurnal Informatika, 5(1), 50-60.
Munir, R. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritra. Bandung: Informatika.
Prasetyo, E. (2011). Pengolahan Citra Dan aplikasinya Menggunakan Matlab. Togyakarta: ANDY.
Prasetio, R. T., & Riana, D. (2015, November). A comparison of classification methods in vertebral column disorder with the application of genetic algorithm and bagging. In 2015 4th international conference on instrumentation, communications, information technology, and biomedical engineering (ICICI-BME) (pp. 163-168). IEEE.
Prasetio, R. T., & Pratiwi, P. (2015). PENERAPAN TEKNIK BAGGING PADA ALGORITMA KLASIFIKASI UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS DATASET MEDIS. Jurnal Informatika, 2(2).
Prasetio, R. T. (2014). Inventory Control Using Statistics Forecasting on Manufacture Company. Jurnal Informatika, 1(2).
Prasetio, R. T., & Ripandi, E. (2019). Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection. Jurnal Informatika, 6(1), 100-106.
Prasetio, R. T., Rismayadi, A. A., & Anshori, I. F. (2018). Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang. Jurnal Informatika, 5(2), 186-194.
Prasetio, R. T., & Susanti, S. (2019). Prediksi Harapan Hidup Pasien Kanker Paru Pasca Operasi Bedah Toraks Menggunakan Boosted k-Nearest Neighbor. JURNAL RESPONSIF: Riset Sains & Informatika, 1(1), 64-69.
Prasetio, R. T. (2020). SELEKSI FITUR DAN OPTIMASI PARAMETER k-NN BERBASIS ALGORITMA GENETIKA PADA DATASET MEDIS. Jurnal Responsif: Riset Sains & Informatika, 2(2), 213-221.
Prasetio, R. T. (2020). Genetic Algorithm to Optimize k-Nearest Neighbor Parameter for Benchmarked Medical Datasets Classification. Jurnal Online Informatika, 5(2), 153-160.
Prasetio, R. T., Rismayadi, A. A., Suryana, N., & Setiady, R. (2020). Features Selection and k-NN Parameters Optimization based on Genetic Algorithm for Medical Datasets Classification. Heart Disease (SPECTF), 267(44), 2.
Pusat Data Dan Informasia Kementrian Kesehatan RI. (2016, Oktober). Dipetik Juni 13, 2017, dari Pusat Data Dan Informasia Kementrian Kesehatan Republik Indonesia: hhtp://www.depkes.go.id
Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: CV Andi offset.
Riana, D., Ramdhani, Y., Prasetio, R. T., & Hidayanto, A. N. (2018). Improving Hierarchical Decision Approach for Single Image Classification of Pap Smear. International Journal of Electrical and Computer Engineering (IJECE), 8(6), 5415–5424. https://doi.org/10.11591/ijece.v8i6.pp5415-5424
Syafi'i, S. I., Wahyuningrum, R. T., & Muntasa, A. (2015). Segmentasi Obyek Pada Citra Digital menggunakan Metode Otsu Thresholding , 1-8.