Klasifikasi Penyakit Paru-Paru Dengan Algoritma K-NN (K-Nearest Neighbor) Berdasarkan Fitur Tekstur GLCM

Syahman Syahrir; Samuel Bayulianto; Valerie Febriana Putri Indah Kusumawati; Teguh Muhammad Prasetyo; Abdussalam Amrullah; Andreas Anggono; Riza Ibnu Adam

doi:10.36294/jurti.v5i2.2063

Klasifikasi Penyakit Paru-Paru Dengan Algoritma K-NN (K-Nearest Neighbor) Berdasarkan Fitur Tekstur GLCM

Syahman Syahrir, Samuel Bayulianto, Valerie Febriana Putri Indah Kusumawati, Teguh Muhammad Prasetyo, Abdussalam Amrullah, Andreas Anggono, Riza Ibnu Adam

Abstract

Abstract - This study developed a disease classification system in the lungs. The lungs are the organs of respiration (respiration) associated with the respiratory and circulatory systems in the body of air-breathing vertebrates. In order for the identification of lung disease to be optimal, it will be more effective and efficient to create a disease classification application system in the lungs. This application system was built using the K-Nearest Neighbor (K-NN) method. The K-Nearest Neighbor method is used to classify lung diseases. This application system is built using the Mathlab IDE. Matlab is a numerical computing environment and fourth generation computer programming language. The method used is data collection and system design. The result of this application system is in the form of a classification between normal lungs and lungs that have disease, based on the results of the grayscale calculation on the x-ray image.

Abstrak - Penelitian ini membangun sebuah sistem klasifikasi penyakit pada paru-paru. Paru-paru merupakan organ respirasi (pernapasan) yang berhubungan dengan sistem pernapasan dan sirkulasi (peredaran darah) dalam tubuh vertebrata yang bernapas dengan udara. Agar identifikasi penyakit paru-paru menjadi optimal maka akan lebih efektif dan efisien dibuat sistem aplikasi klasifikasi penyakit pada paru-paru. Sistem aplikasi ini dibangun dengan metode K-Nearest Neighbor (K-NN). Metode K-Nearest Neighbor digunakan untuk melakukan klasifikasi penyakit pada paru-paru. Sistem aplikasi ini dibangun dengan menggunakan IDE Mathlab. Matlab merupakan sebuah lingkungan komputasi numerikal dan bahasa pemrograman komputer generasi keempat. Metode yang digunakan ialah pengambilan data dan rancangan sistem. Hasil dari sistem aplikasi ini yaitu berupa sebuah klasifikasi antara paru-paru normal dan paru-paru yang memiliki penyakit, berdasarkan hasil dari perhitungan grayscale pada gambar x-ray.

Keywords

Pengolahan Citra Digital;Metode K-Nearest Neighbor;Klasifikasi X-Ray

Full Text:

PDF

References

World iHealth iOrganization i(WHO), i“Coronavirus,” i2020.

Kementerian iKesehatan iRepublik iIndonesia i(Kemkes iRI), i“Pertanyaan idan iJawaban iTerkait iCOVID-19,” i2020.

A. iI. iAlmuttaqi, i“Kekacauan iRespons iterhadap iCOVID-19 idi iIndonesia,” iTHC iInsights., ivol. i1, ino. i13, ipp. i1–7, i2020.

World iHealth iOrganization i(WHO), i“WHO iCoronavirus i(COVID-19) iDashboard,”, i2021.

Kementerian iKesehatan iRepublik iIndonesia i(Kemkes iRI), i“COVID i19,” i2021.

Kementerian iKesehatan iRepublik iIndonesia i i(Kemkes iRI), i“Pedoman iPencegahan idan iPengendalian iCoronavirus iDisease i(COVID-19),” ipp. i1-214, i2020.

X. iLin, iZ. iGong, iZ. iXiao, iJ. iXiong, iB. iFan, iand iJ. iLiu, i“Novel icoronavirus ipneumonia ioutbreak iin i2019: iComputed itomographic ifindings iin itwo icases,” iKorean iJournal iof iRadiology, ivol. i21, ino. i3, ipp. i365–368, i2020.

E. iAfriandi iand iSutikno, i“Identifikasi iTelapak iTangan iMenggunakan iJaringan iSyaraf iTiruan iLearning iVector iQuantization i(LVQ),” iJurnal iInfotel., ivol. i8, ino. i2, ipp. i107-114, i2016.

J. iHan, iM. iKamber iand iJ. iPei, iData iMining iConcepts iand iTechniques iThird iEdition,” iUnited iStates iof iAmerica: iMorgan iKaufmann, ipp. i1-740, i2012.

E. iF. iWulansari, i“Aplikasi iData iMining iMarket iBasket iAnalysis iPenjualan iSuku iCadang iSepeda iMotor iMenggunakan iMetode iAssociation iRules iPada iPT.Sejahtera iMotor iGemilang,” i2014.

Muhammad iand iB. iLareno, i"Modified iNearest iNeighbor iUntuk iPrediksi iCurah iHujan," iKonferensi iNasional iSistem i& iInformatika., ipp. i272-277, i2015. i

X. iW. iSteinberg, i"Top i10 ialgorithms iin idata imining," iKnowledge iand iInformation iSystems., i14:1–37 iDOI i10.1007/s10115-007-0114-2, ip. i14, i2008.

D. iT. iLarose, i“Discovering iKnowledge iIn iData iAn iIntroduction ito iData iMining,” i iA iJohn iWiley i& iSons, iINC., iPublication., i2005.

itu iMATLAB, iApa, iKeunggulan-keunggulan iMATLAB, iMemulai iMATLAB, iand iCommand iWindow. i"M-File iLogical iOperation i(Programming)-For-While-Switch."

E. iSouisa, iRatnawati, iand iB. iSudarsana, i“Pengaruh iPerubahan iJarak iObyek ike iFilm iTerhadap iPembesaran iObyek iPada iPemanfaatan iPesawat iSinar-X, iTyype iCGR,” iBuletin iFisika., ivol. i15, ino. i2, ipp. i15-21, i2014.

i iM. iE. iEl. iZowalaty iand iJ. iD. iJarhult, i“From iSARS ito iCOVID-19: iA ipreviously iunknown iSARS- irelated icoronavirus i(SARS-CoV-2) iof ipandemic ipotential iinfecting ihumans i– iCall ifor ia iOne iHealth iapproach”, iElsevier iB. iV., ivol. i9, ipp. i1-6, i2020.

DOI: https://doi.org/10.36294/jurti.v5i2.2063