Application of Learning Vector Quantization Method for Diagnosing Gastric Disorders
Abstract
Iridology can prove that iris keeps information one’s health. Along with the development of technology, image processing can diagnose diseases based on iridology to detect with classification of iris image data. Disease to be studied in this research is a gastric disorder located in zone 1 according to iridology. Image processing through several preprocessing stages such as Grayscale, Gaussian Filtering, Canny edge detection, and also eye iris detection by algorithm Hough Transformation Circle. Image processing can also extract features with the help of masking. Masking is the process by which the system only focuses on the area to be detected ie the iris of the eye of the zone 1. The result of the process masking becomes input on the method of Learning Vector Quantization (LVQ) to update the value of weights at the time of learning and will be reused at the time of testing. Based on that test done, the accuracy of gastric disease detection is 0.714286 %.
Ilmu iridologi dapat membuktikan bahwa iris mata menyimpan informasi kesehatan seseorang. Seiring dengan perkembangan teknologi, pengolahan citra dapat mendiagnosis penyakit berdasarkan iridologi untuk mendeteksi dengan klasifikasi data citra iris mata. Penyakit yang akan diteliti pada penelitian kali ini adalah gangguan lambung yang terletak pada zona 1 menurut ilmu iridologi. Pengolahan citra melalui beberapa tahap preprocessing seperti Grayscale, Gaussian Filtering, deteksi tepi Canny, dan deteksi iris mata dengan algoritme Hough Transformation Circle. Pengolahan citra juga dapat mengekstrasi fitur dengan bantuan masking. Masking adalah proses dimana sistem hanya berfokus pada daerah yang akan dideteksi yaitu iris mata bangian zona 1. Hasil proses masking menjadi masukan pada metode Learning Vector Quantization (LVQ) untuk melakukan pembaharuan terhadap nilai bobot pada saat pembelajaran dan akan digunakan kembali pada saat pengujian. Berdasarkan pengujian yang dilakukan, akurasi deteksi penyakit gangguan lambung mencapai 0.714286 %.
Keywords
iridologi, gangguan lambung, pengolahan citra, gaussian filter, deteksi tepi Canny, masking filter, learning vector quantization (LVQ)
Full Text:
References
E. C. Pearce. Anatomi dan fisiologi untuk paramedic. Jakarta: PT Gramedia Pustaka Utama, 2016.
Jensen and D. C. Bernard. “Iridology Simplified”. 5th Edition. Summertown: Healthy Living, 1980.
I. Hastuti. (2016, November). Perbandingan Metode Deteksi Tepi
Menggunakan Metode Canny, Prewitt, dan Sobel pada Image Ikan. 213-223.
A. Wedianto, H. L. Sari, dan Y. Suzantri H. “Analisa Perbandingan
Metode Filter Gaussian, Mean dan Median Terhadap Reduksi Noise,” Jurnal Media Infotama, Vol. 12, No. 1, pp.21-30, 2016.
A. K. Dewi, A. Novianty, dan T. W. Purboyo. (2016, April). “Deteksi Gangguan pada Organ Lambung Melalui Citra Iris Mata dengan Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation”,’ eProceedings of Engineeing, Vol. 3, No. 1, April 2016, p. 681-688.
R. Y. Simamora, Huzaeni, dan M. Rizka. “Deteksi Gangguan Lambung Melalui Citra Iris Mata Menggunakan Metode Jaringan Syaraf Tiruan Hebb Rule,” Jurnal Info Media, Vol. 1, No. 1, 2016.
M. F. Qomari Azizi. “Perbandingan antara Metode Backpropagation dengan Metode Learning Vector Quantization (LVQ) pada Pengenalan Citra Barcode,” Skripsi, Jurusan Matematika, Universitas Negeri Semarang, 2013.
F. R. Hariri. “Implementasi Learning Vector Quantizaztion untuk Diagnosa Penyakit Diabetes Mellitus”, Semnasteknomedia Online, Vol. 1, No.1, 2013.
R. C. Gonzales and R. E Woods. Digital Image Processing. USA: Pearson Prentice Hall, 2007.
A. Kadir dan A. Susanto. Teori dan Applikasi Pengolahan Citra. Yogyakarta: Penerbit Andi, 2013.
Sukatmi. “Perbandingan Deteksi Tepi Citra Digital dengan Metode Prewitt, Sobel dan Canny,” Kopertip: Jurnal Ilmiah Manajemen Informatika, Vol. 1, No. 1, p. 1-4, 2017.
W. Burger and M. J. Burge. Digital Image Processing: an Algorithmic Introduction Using Java. New York: Springer, 2008.
S. Kusumadewi. Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu. Yogyakarta, 2003.
L. Fausett. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice-Hall, Inc., 1994.
A. P. Putra dan T. Sutojo. “Identifikasi Penurunan Kondisi Fungsi Organ Ginjal Melalui Iris Mata Menggunakan Metode Jaringan Syaraf Tiruan Learning Vector Quantization,” Tugas Akhir, Prodi Teknik Informatika, Universitas Dian Nuswantoro, Semarang, 2014.
D. N. Pambudi Rahayu, R. R. Isnanto, dan A. Hidayatno. “Aplikasi Pendiaknosis Gangguan Ginjal Melalui Citra Iris Mata Menggunakan Metode Sementasi Berdasar Deteksi Tepi,” Jurusan Teknik Elektro, Universitas Diponegoro, Semarang, pp.62-69, 2014.
F. Sharan. Iridology: a Complete Guide to Diagnosing Through the Iris and To Related Forms of Treatment. Wellingborough: England Thorsons Publications Ltd., 1989.
L. Ma, T. Tan, Y. Wang, and D. Zhang. “Efficient Iris Recognition by Characterizing Key Local Variations,” IEEE Trans. Image Processing, vol. 13, pp. 739-750, 2004.