Klasifikasi Tumor Otak CT Scan dengan Zoning Menggunakan Learning Vector Quantization

Abstract

Klasifikasi tumor otak memiliki peranan penting pada bidang aplikasi biomedik dalam hal diagnosa rekam gambar medik. Pentingnya mengidentifikasi tumor otak telah meningkat beberapa tahun belakangan ini. Hal ini dilihat dari banyaknya aplikasi yang dapat melakukan pemrosesan hasil citra medis dari peralatan medis seperti neural networks dan artificial intelligence meskipun sudah demikian berbagai inovasi dan pengembangan pada tumor otak CT Scan masih terus dilakukan dengan berbagai metode. penelitian ini membahas tentang klasifikasi tumor otak CT Scan dengan mengkombinasikan Zoning dengan Learning Vector Quantization (LVQ). Hasil matriks dari Zoning digunakan sebagai input pada metode Learning Vector Quantization (LVQ). Hasil penelitian dengan pengujian LVQ pada 10 otak normal dan 10 otak suspected memberikan tingkat keberhasilan 90% dan untuk otak normal diperoleh tingkat keberhasilan sebesar 80%.

Image classification is increasingly important in medical field to diagnose recorded images. Brain tumour identification has been increasingly important area, mainly by using CT scan. Neural network and artificial intelligence methods dominate the processing algorithms; however, new methods are expected to emerge. This paper discusses brain tumour image classification by zoning combination using learning vector quantization (LVQ). The matrix results of the zoning are used as the LVQ inputs. As results from the assessment of the twenty normal and abnormal brain images, identification has been successfully carried out by 80% and 90% subsequently for suspected and normal brain.