Klasifikasi Jenis Sel Lemak Coklat Pada Tikus Deutsche Denken Yoken Menggunakan Metode GLCM-Entropy Dan SVM
DOI:
https://doi.org/10.34818/eoe.v9i6.18985Abstrak
Abstrak— Klasifikasi support vector machine (SVM) cocok untuk membedakan dua buah kelas sel jaringan BAT tipe HFD dan tipe ND. Karena hanya membedakan dua kelas, pengujian ini berfokus pada kombinasi fitur gray level co-occurrence matrix (GLCM) untuk memperoleh nilai ekstrasi fitur pada citra BAT. Fitur kombinasi yang digunakan pada GLCM diantaranya yaitu, contrast, correlation, energy, homogeneity, dan entropy. Data yang digunakan berasal dari sel lemak coklat atau brown adipose tissue (BAT) tikus mencit (Deutsche Denken Yoken) karena memiliki kesamaan dengan manusia dari aspek anatomi, fisiologi, genetika, dan perilaku. Fitur kombinasi terbaik dengan akurasi 100% pada setiap piksel dan jarak adalah fitur kombinasi entropy energy homogeneity. Oleh karena itu, klasifikasi menggunakan SVM cocok untuk mendeteksi kasus antara dua kelas seperti membedakan antara sel jaringan BAT tipe HFD dan sel jaringan tipe ND. Kata kunci— klasifikasi, brown adipose tissue, gray level cooccurrence matrix, support vector machine.Unduhan
Referensi
[1] K. K. R. INDONESIA, “1-FactSheet_Obesitas_Kit_Informasi_Obesitas.pdf.” p. 8, 2018.
[2] W. Wang and P. Seale, “Control of brown and beige fat development,” Nat. Rev. Mol. cell Biol., vol. 17, no. 11, pp. 691–702, 2016.
[3] A. Bartelt and J. Heeren, “Adipose tissue browning and metabolic health,” Nat. Rev. Endocrinol., vol. 10, no. 1, pp. 24–36, 2014.
[4] M. R. A. A. Syamsunarno, F. Alia, N. Anggraeni, V. A. Sumirat, S. Praptama, and N. Atik, “Ethanol extract from Moringa oleifera leaves modulates brown adipose tissue and bone morphogenetic protein 7 in high-fat diet mice,” Vet. World, vol. 14, no. 5, pp. 1234–1240, 2021, doi: 10.14202/vetworld.2021.1234-1240.
[5] Fathan Nurcahyo, “Oleh : Fathan Nurcahyo UnBi,” Medikora, vol. VII, no. April, pp. 87–96, 2013, [Online]. Available: https://journal.uny.ac.id/index.php/medikora/article/viewFile/4663/4012.
[6] Z. A. Fikriya, M. I. Irawan, and S. Soetrisno., “Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital,” J. Sains dan Seni ITS, vol. 6, no. 1, 2017, doi: 10.12962/j23373520.v6i1.21754.
[7] J. Ilmiah and F. Exacta, “Identifikasi objek berdasarkan citra warna menggunakan matlab,” vol. 4, no. 2, pp. 181–190, 2011.
[8] J. R. Parker, “Algorithm for Image Processing and Computer Vision,” Wiley Publ. Inc, vol. 2, no. 2, pp. 21–84, 2011.
[9] S. I. Ruth Simatupang, Bambang. H, “Deteksi Pulpitis Melalui Periapikal Radiograph Pada Domain Spasial Dengan Metode Glcm Dan Klasifikasi Fuzzy K-Nearest Neighbour Berbasis Android Detection of Pulpitis Via Radiograph Periapical Based on Android in Spatial Domain Using Glcm Method and Fuzzy,” e-Proceeding Eng., vol. 2, no. 2, pp. 2809–2816, 2015.
[10] W. K. Mutlag, S. K. Ali, Z. M. Aydam, and B. H. Taher, “Feature Extraction Methods: A Review,” J. Phys. Conf. Ser., vol. 1591, no. 1, 2020, doi: 10.1088/1742-6596/1591/1/012028.
[11] A. S. Nugroho, A. B. Witarto, and D. Handoko, “Support Vector Machine,” Proceeding Indones. Sci. Meeiting. Cent. Japan., 2003, doi: 10.1109/CCDC.2011.5968300.
[12] B. Schölkopf, “An Introduction to Support Vector Machines,” Recent Adv. Trends Nonparametric Stat., pp. 3–17, 2003, doi: 10.1016/B978-044451378-6/50001-6.
[13] M. Garg and G. Dhiman, “A novel content-based image retrieval approach for classification using GLCM features and texture fused LBP variants,” Neural Comput. Appl., vol. 33, no. 4, pp. 1311–1328, 2021, doi: 10.1007/s00521-020-05017-z.



