Klasifikasi Kanker Usus Besar Menggunakan Metode Ekstraksi Ciri Principal Component Analysis Dan Klasifikasi Support Vector Machine

Abstract

Abstrak Kanker kolektal adalah salah satu jenis kanker ganas yang terdapat pada usus besar (kolon) dan bagian paling bawah dari usus besar yang terhubung ke anus (rectum) karena gaya hidup yang tidak sehat. Ada beberapa jenis kanker usus besar yang menyerang manusia yaitu Sarcoma, Lymphoma, dan Carcinoma. Sistem yang dirancang ini untuk melakukan sebuah simulasi klasifikasi terhadap citra usus besar menggunakan metode Support Vector Machine (SVM) sebagai klasifikasi ciri. Dan Principal Analysis Component (PCA) sebagai ekstraksi ciri. Hasil dari Tugas Akhir ini adalah suatu sistem yang mampu melakukan identifikasi jenis penyakit kanker usus besar yang terdiri dari penyakit carcinoma, lymphoma, dan usus normal pada manusia. Sistem ini memiliki performansi nilai akurasi tertinggi 74.4% dengan waktu komputasi 6,4654 detik menggunakan 108 data citra latih dan 60 citra uji. Hasil ini menggunakan data uji ukuran 64 × 64 piksel, citra warna green, parameter statistik Entropy, Mean, dan Skewness pada PCA. Pada klasifikasi Support Vector Machine (SVM) menggunakan Kernel Radian Basis Function (RBF), dan pembagian multiclass One-Against-One (OAO). Kata Kunci: Usus Besar, kanker kolektal, PCA, SUPPORT VECTOR MACHINE (SVM) Abstract Collectal cancer is one type of malignant cancer found in the large intestine (colon) and the lowest part of the large intestine that is connected to the anus (rectum) due to an unhealthy lifestyle. There are several types of colon cancer that attack humans, namely Sarcoma, Lymphoma, and Carcinoma. The design of this system to simulate the classification of large intestine images using the Support Vector Machine (SVM) method as a feature classification. And Principal Analysis Component (PCA) as feature extraction. The results of this Final Project are a system that can identify types of colon cancer consisting of normal carcinoma, lymphoma and intestinal disease in humans. This system has the highest accuracy value of 74.4% with a computing time of 6.4654 seconds using 108 training image data and 60 test images. These results use 64 × 64 pixel test data, green color images, Entropy, Mean, and Skewness statistical parameters on PCA. The Support Vector Machine (SVM) classification uses the Kernel Radian Basis Function (RBF), and the multiclass One-Against-One (OAO) distribution. Keywords: Colon, colorectal cancer, PCA, SUPPORT VECTOR MACHINE (SVM)