ANALISIS JENIS TUMOR KULIT MENGGUNAKAN DIMENSI FRAKTAL BOX COUNTING DAN K-MEANS
Main Article Content
Abstract
Kulit merupakan organ yang rawan mengalami kelainan karena harus selalu berperan aktif untuk interaksi tubuh dengan dunia luar secara langsung. Salah satu kelainan yang terjadi pada kulit yaitu tumor kulit. Tumor kulit terbagi menjadi tumor jinak (contoh: nevus atipikal) dan tumor ganas (contoh: melanoma). Melanoma merupakan jenis kanker yang paling mematikan. Pendeteksian melanoma dapat dilakukan dengan serangkaian uji laboratorium. Selain itu, menurut para dermatolog ahli sekitar 80% kasus melanoma dapat dikenali berdasarkan ciri fisiknya yang disebut dengan ABCD (Asymmetry, Border, Colors, dan Diameter).
Border merupakan aspek yang penting untuk membedakan jenis tumor. Pada penelitian ini digunakan metode perhitungan dimensi fraktal box counting untuk membedakan jenis tumor kulit berdasarkan dimensi tepinya. Sebelum dilakukan perhitungan dimensi fraktal, sebanyak 120 citra tumor kulit bersumber dari Rumah Sakit Pedro Hispano (Matosinhod, Portugal) (http://www.fc.up.pt/addi/ph2%20database.html) dan https://isic-archive.com/#images akan diolah untuk mendapatkan bagian tepiannya menggunakan deteksi tepi Canny. Hasil perhitungan dimensi fraktal dengan box counting digunakan dalam proses selanjutnya yang mengklasterkan data menjadi 2 kelas (tumor jinak dan tumor ganas/kanker) dan 3 kelas (nevus normal, nevus atipikal, melanoma) menggunakan K-means. Kemudian dianalisis akurasi hasil clustering tersebut. Dalam penelitian ini didapatkan akurasi hasil pengklasteran dengan 2 klaster sebesar 100% dan hasil pengklasteran dengan 3 klaster sebesar 65%.Article Details
Section
Applied Mathematics
The copyright of the received article once accepted for publication shall be assigned to the journal as the publisher of the journal. The intended copyright includes the right to publish the article in various forms (including reprints). The journal maintains the publishing rights to the published articles.
References
[1] V. Kumar, A. Abbas, and J. Aster, Buku Ajar Patologi Robbins, 9th editio. Singapura: Elsevier, 2015.
[2] A. Prüss-üstün, H. Zeeb, C. Mathers, and M. Repacholi, œSolar Ultraviolet Radiation: Global burden of disease from solar ultraviolet radiation, World Health, vol. 55, no. 13, pp. 987999, 2006.
[3] D. S. Rigel, J. Russak, and R. Friedman, œThe Evolution of Melanoma Diagnosis: 25 Years Beyond the ABCDs, CA. Cancer J. Clin., vol. 60, no. 5, pp. 301316, 2010.
[4] A. Piantanelli, P. Maponi, L. Scalise, S. Serresi, A. Cialabrini, and A. Basso, œFractal characterisation of boundary irregularity in skin pigmented lesions, Med. &biological Eng. Comput., vol. 43, pp. 436442, 2005.
[5] S. H. Carbonetto and S. E. Lew, œCharacterization of border structure using Fractal Dimension in melanomas, 2010 Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC10, pp. 40884091, 2010.
[6] National Cancer Institute, Melanoma and Other Skin Cancers. National Cancer Institute, 2010.
[7] E. Angelopoulou, œEdge Detection, Elsevier, 2018, pp. 119145.
[8] B. Mandelbrot, œHow Long Is the Coast of Britain? Statistical Self-Similarity and Fractional Dimension, Science (80-. )., vol. 156, no. 3775, pp. 636638, 1967.
[9] D. Juniati dan I K. Budayasa, Geometri Fractal dan Aplikasinya, University press, Unesa, 2016.
[10] D. W. Safitri and D. Juniati, œClassification of diabetic retinopathy using fractal dimension analysis of eye fundus image, AIP Conference Proceedings 1867, 020011, 2017.
[11] D Juniati, C Khotimah, D E K Wardani, and K Budayasa, œFractal dimension to classify the heart sound recordings with KNN and fuzzy c-mean clustering methods, 2018 J. Phys.: Conf. Ser. 953 012202.
[12] C Khotimah and D Juniati, œIris Recognition Using Feature Extraction of Box Counting Fractal Dimension, 2018 J. Phys.: Conf. Ser. 947 012004.
[2] A. Prüss-üstün, H. Zeeb, C. Mathers, and M. Repacholi, œSolar Ultraviolet Radiation: Global burden of disease from solar ultraviolet radiation, World Health, vol. 55, no. 13, pp. 987999, 2006.
[3] D. S. Rigel, J. Russak, and R. Friedman, œThe Evolution of Melanoma Diagnosis: 25 Years Beyond the ABCDs, CA. Cancer J. Clin., vol. 60, no. 5, pp. 301316, 2010.
[4] A. Piantanelli, P. Maponi, L. Scalise, S. Serresi, A. Cialabrini, and A. Basso, œFractal characterisation of boundary irregularity in skin pigmented lesions, Med. &biological Eng. Comput., vol. 43, pp. 436442, 2005.
[5] S. H. Carbonetto and S. E. Lew, œCharacterization of border structure using Fractal Dimension in melanomas, 2010 Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC10, pp. 40884091, 2010.
[6] National Cancer Institute, Melanoma and Other Skin Cancers. National Cancer Institute, 2010.
[7] E. Angelopoulou, œEdge Detection, Elsevier, 2018, pp. 119145.
[8] B. Mandelbrot, œHow Long Is the Coast of Britain? Statistical Self-Similarity and Fractional Dimension, Science (80-. )., vol. 156, no. 3775, pp. 636638, 1967.
[9] D. Juniati dan I K. Budayasa, Geometri Fractal dan Aplikasinya, University press, Unesa, 2016.
[10] D. W. Safitri and D. Juniati, œClassification of diabetic retinopathy using fractal dimension analysis of eye fundus image, AIP Conference Proceedings 1867, 020011, 2017.
[11] D Juniati, C Khotimah, D E K Wardani, and K Budayasa, œFractal dimension to classify the heart sound recordings with KNN and fuzzy c-mean clustering methods, 2018 J. Phys.: Conf. Ser. 953 012202.
[12] C Khotimah and D Juniati, œIris Recognition Using Feature Extraction of Box Counting Fractal Dimension, 2018 J. Phys.: Conf. Ser. 947 012004.