<![CDATA[Diagnosis tumor otak dilakukan melalui tes dan prosedur medis seperti pemeriksaan fisik, MRI atau CT scan, dan biopsi. Segmentasi citra tumor otak dapat memberikan informasi penting bagi dokter dalam merencanakan perawatan dan mengevaluasi tindak lanjut yang dapat dilakukan dalam penanganan pasien tumor otak. Dibutuhkan biaya yang besar dalam diagnosa tumor otak menggunakan MRI. Sistem yang dapat secara otomatis mendeteksi tumor otak diharapkan dapat mengurangi biaya diagnosa. Pada penelitian ini, diusulkan metode ekstraksi fitur GLCM yang dikombinasi dengan metode klasifikasi K-NN untuk mengklasifikasikan MRI otak tumor dan otak sehat. Kontribusi penelitian ini adalah mengevaluasi jumlah iterasi terbaik pada arsitektur yang diusulkan pada big data. Pada fase pertama dilakukan pra- pemrosesan citra. Pra-pemrosesan yang diusulkan terdiri dari: (1) normalisasi ukuran (resize), (2) mengubah ke bentuk keabuan (grayscale), menghilangkan/mengurangi derau (noise removal) menggunakan median filter, dan (4) mempertajam kualitas citra (image sharpening). Pada fase kedua, segmentasi citra dilakukan untuk mengambil foreground. Region of interest diperoleh menggunakan segmentasi Otsu Thresholding. Pada fase ketiga GLCM diekstraksi sebagai fitur utama. Pada fase keempat, klasifikasi dikelola menggunakan algoritma K-Nearest Neighbor (KNN). Performa sistem diuji coba kepada 1150 citra pada dataset Kaggle ‘Preet Viradiya’. Hasil uji coba menunjukkan tingkat akurasi terbaik mencapai 81% dengan k terbaik sebanyak 3. Penelitian ini dapat disimpulkan bahwa usulan arsitektur penggunaan GLCM dan KNN memiliki performa yang unggul.]]>
Copyrights © 2023
