Klasifikasi Tuberkulosis Dan Pneumonia Pada Gambar X-Ray Anak Menggunakan Metode Ekstraksi Statistika Orde Satu
DOI:
https://doi.org/10.34818/eoe.v9i6.18994Abstract
Abstrak—Tuberkulosis dan Pneumonia merupakan salah satu jenis penyakit yang dapat menginfeksi bagian pada paru-paru manusia. Salah satu metode yang paling umum dalam mendiagnosis kedua penyakit tersebut dengan melakukan rontgen dada pasien anak penderita penyakit tuberkulosis dan pneumonia. Dalam proses ini dibutuhkan sistem otomatis yang dapat mendeteksi ciri dan perbedaan penyakit pneumonia dan tuberkulosis pada yang akurat dan cepat. Sehingga, pada penelitian ini metode KNN dengan menggunakan ekstraksi ciri statistika orde satu akan diimplementasikan ke dalam sistem pengklasifikasian dengan membagi tiga kelas yaitu, normal, tuberkulosis dan pneumonia. Parameter perforrmasi yang harus diperhatikan pada penelitian ini yaitu akurasi KNN dengan perhitungan parameter seperti Mean, Median, Mode, Skewness, Kurtosis, Entrophy, dan Standard Deviation. Metode pengujian yang dilakukan yaitu delapan parameter, lima parameter, dan satu parameter terbaik, hasil terbaik parameter yaitu pada nilai akurasi Entrophy dibandingkan pengujian parameter lainnya. Nilai akurasi Entrophy yang di dapat 75% yang merupakan nilai yang lebih besar dibandingkan dengan pengujian dua jenis parameter lainnya masing-masing sebesar 58% di pengujian lima parameter dan 63% di pengujian delapan parameter. Kata Kunci — citra X-Ray, tuberkulosis, pneumonia, KNN, ekstraksi ciriDownloads
References
[1] I. M. Amalia, D. Arfianto, A. Nilogiri, “Sistem Pakar Diagnosa Penyakit Paru-paru Menggunakan Metode Certainty Factor Berbasis Web,” Teknik Informatika, 2017.
[2] “Tuberculosis,” World Health Organization, 14 Oktober 2020. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/tuberculosis. [Diakses 3 April 2021].
[3] “Pneumonia,” World Health Organization, 2 Agustus 2019. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/pneumonia. [Diakses 3 April 2021].
[4] H. Naderi, F. Sheybani, S. S. Erfani, B. Amiri dan M. J. Nooghabi, “The mask of acute bacterial pneumonia may disguise the face of tuberculosis,” Electron Physician, vol. 9, no. 3, pp. 3943-3949, 2017.
[5] C. Qin, D. Yao, Y. Shi dan Z. Song, “Computer-aided detection in chest radiography based on artificial intelligence: a survey,” BioMedical Engineering OnLine, vol. 17, no. 1, pp. 1-23, 2018.
[6] A. Serener dan S. Serte, “Deep Learning for mycoplasma pneumonia discrimination from pneumonias like COVID-19,” IEEE Xplore, 17 November 2020.
[7] Y.Agussationo, I. Soensanti, W. Najib, “Klasifikasi Citra X-Ray Diagnosis Tuberkulosis Berbasis Fitur Statistis,” JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi), vol.2 No.3, pp. 736-745, 2018.
[8] Athmaja, S., Hanumanthappa., M., dan Kavitha, V., “A Survey of Machine Learning Algorithms for Big Data Analytics,” ICIIECS, pp. 1-4, 2017.
[9] F. D. Telaumbanua, P. Hulu, H. Z. Nadeak, R. R. Lumbatong, A. Dharma, “Penggunaan Machine Learning Di Bidang Kesehatan,” Jutikomp, vol. 2, no. 2, 2019.
[10] T. R. Pahlevi, R. Buaton, Nurhayati, “Identifikasi Jenis Bunga Menggunakan Ekstraksi Ciri Orde Satu dan Algoritma Multi Support-Vector Machines (Multivism),” Jurnal Informatika Kaputama, vol.5, no. 1, 2021.
[11] G. Lecue, M. Lerasle, “Robust Machine Learning by median-of-means: Theory and Practice,” vol. 48(2), Project Euclide, pp. 906-931, 2020.
[12] K. A. T. Widhiyanti, N. W. A. Rusitayanti, N. W. Ariawati, “ The Impact of Covid-19 on Online Learning Motivation in Sports Massage Learning,” 2022.
[13] P. Putra, M. H. P. Akim, S. Syahputra, “Analisis Metode K-Nearest Neighbour (KNN) dalam Klasifikasi Data Iris Bunga,” JTIK, Vol.6, no.1,pp. 297-305, 2022.
[14] M. M. Baharuddin, T. Hasanuddin, H. Aziz, “Analisis Peforma Metode K-Nearest Neighbor Untuk Identifikasi Jenis Kaca,” ILKOM Jurnal Ilmiah, vol. 11, no. 3, pp. 269-274, 2019.



