PERBANDINGAN SEGMENTASI CITRA PSORIASIS MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING DAN ALGORITMA THRESHOLDING

PERBANDINGAN SEGMENTASI CITRA PSORIASIS MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING DAN ALGORITMA THRESHOLDING

• By Pangesti, Witriana Endah;
• Tesis
• 404
• 1-68

Kulit merupakan salah satu bagian terpenting dalam organ tubuh manusia. Namun karena letaknya pada bagian luar tubuh maka kulit rentan mengalami penyakit, salah satu penyakit yang paling berbahaya adalah penyakit psoriasis. Psoriasis adalah penyakit kulit inflamasi kronis yang ditandai dengan lesi khas berupa plak, eritematous, dan sisik tebal. Dalam penelitian ini menggunakan dua klaster penyakit psoriasis yaitu klaster Chronic Plaque psoriasis dan Guttate Psoriasis. Dimana dataset yang didapatkan adalah dataset public dan selanjutnya masuk pada tahap cropping dan di peroleh sebanyak 71 dataset citra psoriasis. Penelitian ini melakukan perbandingan algoritma antara algoritma k-means clustering dan algoritma thresholding, dengan pengujian menggunakan hasil nilai dari ektrasi ciri GLCM dengan meilihat 4 fitur bentuk yaitu contrast, correlation, energy, homogeneity yang selanjutnya diolah menggunakan aplikasi weka dengan metode J48 classifier dalam menentukan akurasi terbaik dan mendapatkan pohon keputusan. Hasil yang diperoleh adalah k-means clustering merupakan algoritma terbaik dalam mengsegmentasi citra psoriasis yaitu sebesar 79%, dibandingkan algoritma thresholding yaitu sebesar 61% saja.

• Katakunci Psoriasis, K-Means Clustering, GLCM, J48 Classifier, Thresholding
• URL http://
• Penerbit ,

REFERENSI

[1] I. Damayana, R. D. Atmaja, and H. Fauzi, “Menggunakan Wevelet Transform Detection of Skin Cancer Melanoma Based on Digital Image,” Deteksi Kanker Kulit Melanoma Berbas. Pengolah. Citra Menggunakan Wevelet Transform, vol. 3, no. 3, pp. 4718–4723, 2016. [2] World Health Organization, “NCDs | Noncommunicable diseases and their risk factors,” Who, no. 1, pp. 1–4, 2018. [3] K. D. P. Damayanti, “Profil Psoriasis Vulgaris di RSUD Dr . Soetomo Surabaya : Studi Retropektif ( Psoriasis Vulgaris : A Retrospective Study ),” Berk. Ilmu Kesehat. Kulit dan Kelamin – Period. Dermatology Venereol., vol. 30, no. 3, pp. 248–254, 2018. [4] A. Rendon and K. Schäkel, “Psoriasis pathogenesis and treatment,” Int. J. Mol. Sci., vol. 20, no. 6, pp. 1–28, 2019, doi: 10.3390/ijms20061475. [5] N. Puspasari, K. Adjie, M. S. Adiguna, and M. Wardhana, “Kadar Dopamin Plasma Yang Tinggi Merupakan Salah Satu Faktor Risiko Terjadinya Psoriasis Vulgaris,” vol. 50, no. 1, pp. 27–31, 2019, doi: 10.15562/Medicina.v50i1.180. [6] D. I. Kristiani, Febe Sintia., Anggraini, “Psoriasis Pustulosa Generalisata : Tinjauan Kasus Pada Geriatri Generalized Pustulosa Psoriasis : Case Report on a Geriatric,” Medula, vol. 9, no. 4, pp. 692–698, 2020. [7] M. Amer and A. Galal, “Psoriasis Severity is Affected by T the Lipid Profile in Egyptian Patients,” Gynecol. Obstet., vol. 5, no. 12, pp. 10–12, 2015, doi: 10.4172/2161-0932.1000346. [8] R. Talaei et al., “Relationship between Serum Leptin and Adiponectin Levels with Severity of Psoriasis,” vol. 1, no. 2, pp. 2–5, 2018. [9] F. G. Febrinanto, C. Dewi, and A. T. Wiratno, “Implementasi Algoritme KMeans Sebagai Metode Segmentasi Citra Dalam Identifikasi Penyakit Daun Jeruk,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 5375–5383, 2018. [10] A. W. Kusuma and R. L. Ellyana, “Penerapan Citra Terkompresi Pada Segmentasi Citra Menggunakan Algoritma K-Means,” J. Terap. TeknolInf., vol. 2, no. 1, pp. 65–74, 2018, doi: 10.21460/jutei.2018.21.65. [11] A. S. Sinaga, “SEGMENTASI RUANG WARNA L*a*b,” J. Mantik Penusa, vol. 3, no. 1, pp. 43–46, 2019. [12] H. Tunggorono, “Aplikasi Pendeteksi Kelayakan Telur Menggunakan Metode Backpropagation dan Thresholding,” Psikol. Perkemb., no. 2330– 1425, pp. 54–63, 2017, doi: 10.1017/CBO9781107415324.004. [13] D. H. Pham and S. Meignen, “A Novel Thresholding Technique for the Denoising of Multicomponent Signals,” ICASSP, IEEE Int. Conf. Acoust. Speech Signal Process. - Proc., vol. 2018-April, no. April, pp. 4004–4008, 2018, doi: 10.1109/ICASSP.2018.8462216. [14] I. Setiawan, W. Dewanta, H. A. Nugroho, and H. Supriyono, “Pengolah Citra Dengan Metode Thresholding Dengan Matlab R2014A,” J. Media Infotama, vol. 15, no. 2, pp. 65–70, 2019. [15] T. J. S. Rizal1, Reyhan Achmad Suardin Gulo1, Octavriana Della C. Sihombing1, Ardi Bernandustahi Miduk Napitupulu1, Amsal Yusuf Gultom1, “ANALISIS GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DALAM MENGENALI CITRA EKSPRESI WAJAH Reyhan,” vol. 3, no. January, pp. 31–38, 2020. [16] R. Widodo, A. W. Widodo, and A. Supriyanto, “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix ( GLCM ) Citra Buah Jeruk Keprok ( Citrus reticulata Blanco ) untuk Klasifikasi Mutu,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5769–5776, 2018. [17] S. Agarwal, Data mining: Data mining concepts and techniques. 2014. [18] T. Astuti, I. Mujiati, D. Ayu, V. Ristianah, and W. A. Lestari, “Penerapan Algoritme J48 Untuk Prediksi,” J. Telemat., vol. 9, no. 2, pp. 1–10, 2016. [19] N. M. Hayat, A. B. Prasetijo, and R. Septiana, “Analisis Kinerja Algoritma J48 Decision Tree untuk Pengambilan Keputusan Beli/Jual pada Saham PT Harum Energi Tbk. (HRUM),” JTIM J. Teknol. Inf. dan Multimed., vol. 1, no. 3, pp. 244–253, 2019, doi: 10.35746/jtim.v1i3.43. [20] K. Sinaga, E. Buulolo, and B. Nadeak, “Implementasi Algoritma Decision Tree_J48 untuk Memprediksi Resiko Kredit pada Koperasi Simpan Pinjam (Studi Kasus : Kofipindo Lubuk Pakam),” KOMIK (Konferensi Nas.Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 20–24, 2019, doi: 10.30865/komik.v3i1.1561. [21] D. S. Lumbansiantar, “Analisa Data Bencana Alam Untuk Prediksi Dampak Yang Ditimbulkan Dengan Algoritma J48 (Studi Kasus : Palang Merah Indonesia),” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 25–29, 2019, doi: 10.30865/komik.v3i1.1562.