Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal MIND (Multimedia Artificial Intelligent Networking Database) Journal
FEVLY PALLAR
Program Studi Informatika, Institut Teknologi Nasional Bandung
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Sistem Pengenalan Jenis Kanker Melanoma pada Citra MenggunakanGray Level Co-occurrence Matrices (GLCM) dan K-Nearest Neighbor (KNN) Classifier YOULLIA INDRAWATY NURHASANAH; IRMA AMELIA DEWI; FEVLY PALLAR
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 5, No 1 (2020): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v5i1.66-80

Abstract

AbstrakMelanoma dikategorikan sebagai bentuk kanker kulit yang paling berbahaya menurut skincancer.org. Kanker kulit ini bertumbuh dan berkembang oleh kerusakan DNA pada sel-sel kulit yang umumnya disebabkan oleh radiasi ultraviolet dari matahari. Pada penelitian ini  dibuatkan suatu sistem yang  dapat membantu pihak medis untuk memprediksi suatu tipe atau jenis dari suatu kanker melanoma dengan proses antara lain, optimalisasi postprocessing melalui morphological closing, pembentukan matriks-matriks gray level co-occurrence (GLCM) untuk pengekstraksian fitur-fitur tekstur statistika dan K-Nearest Neighbor (KNN) sebagai metode klasifikasinya. Hasil dari pengujian menunjukan bahwa ekstraksi ciri tekstur statistika bermanfaat dalam pengenalan kanker ini dimana diperoleh hasil akurasi mencapai 93.33% oleh classfier pada kategori pengujian positif melanoma dan 86.66 % pada kategori kelas melanoma. Kata kunci: Melanoma, GLCM, K-Nearest Neighbor, Otsu Thresholding AbstractMelanoma is categorized as the most dangerous form of skin cancer, according to skincancer.org. This skin cancer grows and develops due to DNA damage to skin cells which is generally caused by ultraviolet radiation. In this study, a system was created to help medical parties predict a type or type of melanoma cancer. This system was performed with morphological closing processes, the formation of gray level co-occurrence (GLCM) matrices for extraction of features of statistical textures, and K-Nearest Neighbor (KNN) as a classification method. The test results showed that the system recognized this cancer with an accuracy of 93.33% for the positive image of melanoma and 86.66% for the melanoma class category. Keywords: Melanoma, GLCM, K-Nearest Neighbor, Otsu Thresholding
Co-Authors IRMA AMELIA DEWI YOULLIA INDRAWATY NURHASANAH