Implementasi Algoritma Gray Level Co-Occurrence Matrix dan K-Nearest Neighbor dalam Analisis Penyakit Kulit
Implementasi Algoritma Gray Level Co-Occurrence Matrix dan K-Neighest Tetangga Dalam Analisis Penyakit Kulit
Tahun 2025 · Penulis: Jauharoh Nafizatun Nada
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Implementasi Algoritma Gray Level Co-Occurrence Matrix dan K-Neighest Tetangga Dalam Analisis Penyakit Kulit
Penyakit kulit adalah gangguan kesehatan yang dapat disebabkan oleh infeksi, peradangan, atau faktor lingkungan dan menuntut deteksi dini untuk mencegah dampak yang lebih serius. Penelitian ini bertujuan untuk menerapkan Gray Level Co Occurrence Matrix (GLCM) dan K-Neighest Neighbor (K-NN) metode dalam klasifikasi penyakit kulit berdasarkan gambar digital. Data yang digunakan diperoleh dari Kagege, terdiri dari 200 gambar yang mencakup empat jenis penyakit kulit, yaitu cacar air, herpes, kutu, dan kanker kulit, dengan proporsi 80% untuk melatih data dan 20% untuk menguji data. Tahap penelitian termasuk koleksi data, pra pemrosesan (cropping dan resize) fitur ekstraksi dengan GLCM, dan klasifikasi menggunakan K-NN. Fitur yang diekstrak termasuk kontras, energi, korelasi, dan homogenitas, yang kemudian digunakan sebagai dasar untuk klasifikasi menggunakan algoritma K-NN dengan nilai K berbeda. Tes dilakukan dengan beberapa variasi nilai K untuk menentukan tingkat akurasi terbaik dalam membedakan jenis penyakit kulit berdasarkan karakteristik teksturnya. Hasilnya menunjukkan bahwa metode GLCM dapat mengekstrak fitur tekstur dengan baik, sedangkan algoritma KNN mencapai akurasi tertinggi dari 100% K=1 dan K=2, tetapi menurun pada nilai K lebih tinggi dengan akurasi rata-rata 89.50%. Hasilnya, metode yang digunakan dapat membantu proses deteksi awal penyakit kulit lebih cepat dan akurat dalam sistem ini.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,871
Tahun 2024 · Penulis: Adhitya Hari Saputra
Implementasi Metode Support Vector Machine dan Particle Swarm Optimization dalam Klasifikasi Faktor Risiko Terkena Penyakit Kanker Paru-paru
Kanker adalah penyakit mematikan dengan jumlah kematian tertinggi di dunia, disebabkan oleh pertumbuhan sel yang tidak terkendali dan dapat menyebar ke bagian tubuh lainnya. Menurut data GLOBOCAN 2020, terdapat 19,2 juta kasus baru kanker. Salah satu jenis kan
- Cosine 0,831
Tahun 2024 · Penulis: Aprilia Dian Ayu Pramesti
Klasifikasi Keparahan Jerawat Berdasarkan Ruang Warna Ycbcr Menggunakan Metode Gray Level Co-Occurrence Matrix dan K-Means
Jerawat adalah penyakit kulit umum di Indonesia. Lebih dari 80% orang mengalami masalah kulit dalam bentuk jerawat pada usia 12 sampai 44 tahun. Perlu identifikasi yang tepat untuk menentukan seberapa parah jerawat untuk mendapatkan perawatan yang tepat. Keber
- Cosine 0,831
Tahun 2025 · Penulis: Augusta Ahmad Bintang Widigdo
Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso
Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya serin