Implementasi Gabor Wavelet dan Support Vector Machine pada Deteksi Polycystic Ovary (PCO) Berdasarkan Citra Ultrasonografi

Untari Novia Wisesty

Abstract


Ketidaksuburan adalah kondisi pasangan suami istri yang susah memiliki keturunan. Salah satu pemeriksaan kesuburan yang dianjurkan di bidang kesehatan adalah USG (Ultrasonografi). Untuk memeriksa kesuburan wanita dilakukan USG rahim dengan memeriksa keberadaan penyakit di rahim yang menyebabkan kemandulan, salah satunya adalah PCO (Polycystic Ovary), dengan melihat jumlah dan ukuran folikel dalam ovarium. Namun, sampai saat ini penentuan hasil USG rahim masih dilakukan secara manual oleh Dokter Spesialis Kandungan. Penelitian ini bermaksud untuk membantu ahli medis dalam mendiagnosa kesuburan wanita berdasarkan keberadaan PCO secara terkomputerisasi, sehingga hasil diagnosa dapat dilakukan dengan cepat dan akurat. Proses pendektesian diawali dengan pemrosesan awal pada citra USG dan ekstraksi ciri menggunakan Gabor Wavelet. Selanjutnya, pada tahap klasifikasi PCO digunakan metode Support Vector Machine (SVM). Kernel SVM yang digunakan sebagai classifier adalah fungsi kernel Linear, RBF, Kuadratik, dan Polinomial sesuai dengan kebutuhan persebaran data, dengan nilai parameter C kelipatan 10 dari rentang 0 hingga 300. Dengan menggunakan metode-metode tersebut, pencapaian akurasi tertinggi didapatkan dengan menggunakan parameter Gabor Wavelet dan SVM yang terbaik yaitu kernel polynomial, C=160, mask 17x17, frekuensi 2, 3, 4, 5 Hz dan sudut orientasi [π/6; π/6; π] dengan akurasi uji 78.4661% dan akurasi latih 75.5480% berdasarkan pengujian per-folikel.

Full Text:

PDF

References


Adiwijaya, PN Faoziyah, FP Permana, TAB Wirayuda, UN Wisesty, Tamper detection and recovery of medical image watermarking using modified LSB and Huffman compression, Second International Conference on Informatics and Applications (ICIA) 2013 pp.129 – 132. Crossref

Adiwijaya, B. Purnama, U.N. Wisesty, A. Hasyim, Maulida, W. Astuti, Follicle Detection on the USG Images to Support Determination Polycystic Ovary Syndrome, Journal of Physics: Conference Series 622 (2015) 012027, Crossref

Isnanto, R. Rizal, Identifikasi Iris Mata Menggunakan Tapis Gabor Wavelet Dan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ), Universitas Diponegoro, Semarang,2009.

Nooshin Nabizadeh1, Miroslav Kubat2, Nigel John3, Clinton Wright4, Efficacy of Gabor-Wavelet versus Statistical Features for Brain Tumor Classification in MRI: A Comparative Study, Electrical and Computer Engineering Department, University Of Miami.

P. Yang, S. Shan, W. Gao, S. Z. Li, D. Zhang, Face Recognition Using Ada-Boosted Gabor Features, The 6th IEEE International Conference On Automatic Face And Gesture Recognition (Fg2004), Seoul, Korea.

Paulus, Klasifikasi Golongan Darah Menggunakan Gabor Wavelet Dan Support Vector Machine (SVM), Bandung, 2009.

Nugroho, Anto Satriyo, dkk, Support Vector Machine-Teori dan Aplikasinya dalam bioinformatika.

Trimiarsih, Zulfah Aprilianti, “Klasifikasi Kanker Usus berdasarkan Citra Mikroskopik Patologi Menggunakan Contourlet

Transform dan Support Vector Machine (SVM)”, Institut Teknologi Bandung, Bandung, 2013.

Adiwijaya, Aplikasi Matriks dan Ruang Vektor, Graha Ilmu, 2014.

C. J. Liuand H.Wechsler, Gabor feature based classification using the enhanced fisher linear discriminant model for face

recognition, IEEE Trans.Image Process., 11:467-476, 2002. Crossref

Setiawati,E.,Adiwijaya,Tjokorda,A.B.W.,ParticleSwarmOptimizationonfolliclessegmentationtosupportPCOSdetection,

International Conference on Information and Communication Technology (ICoICT) 2015,

Crossref

Littlewort-Ford, Gwen, Detecting Genuine Smiles With Support Vector Machines and Gabor Wavelets, Institute for Neural

Computation, UCSD.

Lukas, Prisilia, Perancangan Aplikasi Sistem Pengenalan Iris Mata Menggunakan Metode Gabor Wavelet Pada Ekstraksi Ciri, Medan, 2013.

M. J. Lyons, Julien Budynek, Andre Plantey, Shigeru Akamatsu, Classifying Facial Attributes Using A 2-D Gabor Wavelet Representation And Discriminant Analysis, The 4th IEEE International Conference On Automatic Face And Gesture Recognition (Fg 2000), 26-30 March 2000, Grenoble, France.

Purnama, Bedy, Wisesty, Untari N., Adiwijaya, Nhita, F., Gayatri , A., Mutiah, T., A classification of polycystic Ovary Syndrome based on follicle detection of ultrasound images, Information International Conference on Information and Communication Technology (ICoICT) 2015, Crossref

Ashika, 2013, Ovarian Follicle Detection for Polycystic Ovary Syndrome using Fuzzy C-Means Clustering, International Journal of Computer Trends and Technology (IJCTT) volume 4 Issue 7.

Akkasaligar,PremaT.andMalagaviGirijammaV.2014.DetectionofCystsinMedicalUltrasoundImagesofOvary.InProc. SARC-IRF 5th International Conference Bangalore, India. ISBN 978-93-84209-13-1.




DOI: http://dx.doi.org/10.21108/INDOJC.2016.1.2.90

Refbacks

  • There are currently no refbacks.


Copyright (c) 2016 Untari Novia Wisesty

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.