Klasifikasi Kelainan Pada Jantung Melalui Citra Iris Mata Menggunakan Fuzzy C-Means Sebagai Pengambil Fitur Iris Dan Klasifikasi Menggunakan Support Vector Machine

Dian candra rini novitasari, Muhammad Fahrur Rozi, Rafika Veriani

Abstract


Iridologi merupakan diagnosis sebuah iris mata yang merepresentasikan tanda-tanda seperti warna dan struktur dari iris sehingga didapatkan informasi tentang kesehatan seseorang. Penelitian ini tentang iridologi yang terkomputerisasi oleh sebuah sistem yang digunakan dalam mendeteksi keadaan jantung yang dirancang dengan langkah-langkah seperti pra-proseskonversi citra ari RGB menjadi Grayscale, penghapusan noise menggunakan median filter, pemangkasan, pengelompokan menggunakan Fuzzy C-Means (FCM), deteksi tepi menggunakan metode Canny dan diikuti fitur ekstraksi menggunakan Grey Level Co-occurrence Matrix (GLCM), serta klasifikasi menggunakan Support Vector Machine (SVM). Sampel iris pasien dalam keadaan normal dan tidak normal. Data iris pasien yang memiliki kelainan jantung sebanyak 20 citra. Hasil dari sistem deteksi kelainan Jantung melalui citra iris ini memiliki tingkat akurasi sebesar 75%.


Full Text:

Download

References


al., P. De Groote et. 2018. ”Accuracy of cardiac magnetic resonance imaging to rule out significant coronary artery disease in patients with systolic heart failure of unknown aetiology : Single-centre experience and comprehensive meta-analysis.”

Anatomy, V. V. S. Tallapragada and A. I. 2010. ”Iris Recognition Based on Combined Feature of GLCM and Wavelet Transform.” 205–210.

B. Kumar, K. Verma, and A. S. Thoke. 2015. ”Adaptive gradient descent backpropagation for classification of breast tumors in ultrasound imaging,” Procedia - Procedia Comput. Sci.” 46: 1601–1609.

Christ, M. C. J. 2011. ”“Fuzzy C-Means Algorithm for Medical Image Segmentation.” 33–36.

E. M. K, A. R. Barakbah, S. A. S, and A. A. Hermawan. 2016. ”Application For Heart Abnormalities Detection Through Iris.” 315–322.

Epar, C. O. S. Ci and E. D. April, 2004. ”EXPERIMENTS ON HUMAN IRIS RECOGNITION USING ERROR BACKPROPAGATION ARTIFICIAL NEURAL NETWORK.”

Fajrin, Alfannisa Annurullah. 2017. ”Optimasi Inventory Produk dan Jumlah Pesanan dengan Fuzzy Logic pada PT. Hilti Nusantara Batam.” Junal Edukasi dan Penelitian Informatika Vol. 3, No. 2, .

Freyssenita Kanditami P, Deni Saipudin, Achmad Rizal. 2014. ”ANALISIS CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION (CLAHE) DAN REGION GROWING DALAM DETEKSI GEJALA KANKER PAYUDARA PADA CITRA MAMMOGRAM.” Elektro 7: 15-28.

Gelley, Ned, ja Jang Roger. 2000. Fuzzy Logic Toolbox. USA: Mathwork, Inc.

J. Zhou, K.L.Chan, V. F. H. Chong, S. M. Krishnan. 2005. ”Extraction of Brain Tumor from MR Images Using One-Class Support Vector Machine.” Engineering in Medicine and Biology 27th Annual Conference. Shanghai, China.

Jakkula, Vikramaditya. ei pvm. ”Tutorial on Support Vector Machine (SVM).”

K. Kesehatan and R. Indonesia. 2018. ”Penyakit jantung penyebab kematian tertinggi, kemenkes ingatkan cerdik.” 2015–2016.

Kokare., L. V Birgale and M. 2009. ”Iris Recognition Using Discrete Wavelet Transform: Digit. Image Process.” Int. Conf 147–151.

Kusumadewi, Sri. 2002. Analisis dan Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Graha Ilmu.

—. 2002. Analisis dan Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Graha Ilmu.

Lintang Indah Permatasari, Astri Novianty, S.T, M.T. 2016. ”DETEKSI GANGGUAN ORGAN JANTUNG MENGGUNAKAN KOMPUTERISASI IRIDOLOGI DENGAN METODE KLASIFIKASI SVM Heart Disorder Detection Based on Computerized Iridology Using SVM Classification.” 3: 786.

M. Cl. 2018. ”Multimodal imaging and three-dimensional cardiac computational modelling in the management of congenital heart disease.” 395–398.

M. R. Pokorny et al. 2014. ”Prospective study of diagnostic accuracy comparing prostate cancer detection by transrectal ultrasound-guided biopsy versus magnetic resonance (MR) imaging with subsequent mr-guided biopsy in men without previous prostate biopsie.” 66.

Marbun, Murni & Tamando, Hengki. 2016. ”Perancangan Sistem Perencanaan Jumlah Produksi Roti Menggunakan Metode Mamdani.” Jurnal Mantik vol. 20, no. 1.

Olivier Chapelle, Patrick Haffner, and Vladimir N. Vapnik. 1999. ”Support Vector Machines for Histogram-Based Image Classification.” 10.

P. Matriks, K. A. Keabuan, L. B. Masalah, and I. Mata,. ei pvm. ”Pengenalan iris mata menggunakan pencirian matriks ko-okurensi aras keabuan.” 1-6.

P. Mohanaiah, P. Sathyanarayana, and L. GuruKumar,. 2013. ”Image Texture Fearure Etraction Using GLCM Approach.” IJSRP 3.

P. Soepomo. 2014. IMPLEMENTASI METODE CANNY UNTUK DETEKSI 2: 231–243.

Purnomo, Kusumadewi. 2010. Aplikasi Logika Fuzzy Edisi-2. Yogyakarta: Graha Ilmu.

—. 2010. Aplikasi Logika Fuzzy untuk Pendukung Keputusan Edisi-2. Yogyakarta: Graha Ilmu.

Qonita U. Safitri, S.Si, Dr. Arief Fatchul Huda, S.Si, Asep Solih A., M.Si. 2017. ” SEGMENTASI CITRA MENGGUNAKAN ALGORITMA FUZZY c-MEANS (FCM) DAN SPATIAL FUZZY c-MEANS (sFCM) .” Kubik 2.

R. F. Walker, P. Jackway, B. Lovell, and I. D. Longstaff. ei pvm. ”CLASSIFICATION OF CERVICAL CELL NUCLEI USING MORPHOLOGICAL Gray Level CO-Occurrence Matrix Texture Estimates,” .” 297–301.

Rahakbauw, Dorteus Lodewyik. 2015. ”Penerapan Logika Fuzzy Metode Sugeno Untuk Menentukan Jumlah Produksi Roti Berdasarkan Data Persediaan Dan Jumlah Permintaan.” Jurnal Ilmu Matematika dan Terapan pp. Volume 9 Nomor 2 Hal.121-134.

Ramlan, R, A Cheng, ja dkk. 2016. Implementation of Fuzzy Inference System for Production Planning Optimisation. Malaysia: University Tun Hussein Onn Malaysia.

S. Kumar, J. Kanta, D. Kumar, and M. Nasipuri. 2015. ”Conditional spatial fuzzy C-means clustering algorithm for segmentation of MRI images.” Appl. Soft Comput. J 34: 758–769.

S.Jayalakshmi. 2014. ”A Study of Iris Segmentation Methods using Fuzzy C- Means and K-Means Clustering Algorithm.” 85: 1–5.

Yang, G. Y. Peng. 2016. ”Accepted Manuscript Reference : To appear in : Neurocomputing,” Neurocomputing.”


Refbacks

  • There are currently no refbacks.