{"title":"牙齿全景图中的牙周病分类,提取共同oc曲线矩阵(GLCM)的灰色特征","authors":"Hasnita Hasnita, Siska Anraeni, Fitriyani Umar","doi":"10.33096/busiti.v2i4.1013","DOIUrl":null,"url":null,"abstract":"Penyakit periodontal adalah gangguan pada jaringan periodontal berupa inflamasi pada jaringan penyangga gigi. Penyakit periodontal dapat disebabkan oleh adanya tumpukan plek di gigi. penelitian ini bertujuan untuk melakukan klasifikasi penyakit periodontal pada citra panoramic gigi menggunakan K-Nearest Neighbor dan untuk mengetahui hasil akurasi klasifikasikasinya. Pada penelitian ini menggunakan 100 dataset citra dengan pembagian rasio 75:25 untuk data latih dan data uji, dataset citra diambil dari https://www.kaggle.com/ (Kaggle). tahapan yang dilakukan yaitu Preprocessing dengan mengubah citra menjadi aras keabuan atau grayscale, dan ekstraksi fitur dengan Gray Level Co-Occurrence Matrix (GLCM), kemudian pada tahap selanjutnya adalah proses pelatihan (training) dan pengujian (testing) dengan menggunakan K-Nearest Neighbor. Hasil dari klasifikasi pada pengujian dengan Arah 0, 45, 90, dan 135 menggunakan K=1, K=3, dan K=5. didapatkan hasil akurasi tertinggi pada Arah 45 dengan K=3 sebesar 64%.","PeriodicalId":447053,"journal":{"name":"Buletin Sistem Informasi dan Teknologi Islam","volume":"27 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2021-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Klasifikasi Penyakit Periodontal Pada Citra Panoramic Gigi Dengan Ekstraksi Fitur Gray Level Co-Occurrence Matrix (GLCM)\",\"authors\":\"Hasnita Hasnita, Siska Anraeni, Fitriyani Umar\",\"doi\":\"10.33096/busiti.v2i4.1013\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Penyakit periodontal adalah gangguan pada jaringan periodontal berupa inflamasi pada jaringan penyangga gigi. Penyakit periodontal dapat disebabkan oleh adanya tumpukan plek di gigi. penelitian ini bertujuan untuk melakukan klasifikasi penyakit periodontal pada citra panoramic gigi menggunakan K-Nearest Neighbor dan untuk mengetahui hasil akurasi klasifikasikasinya. Pada penelitian ini menggunakan 100 dataset citra dengan pembagian rasio 75:25 untuk data latih dan data uji, dataset citra diambil dari https://www.kaggle.com/ (Kaggle). tahapan yang dilakukan yaitu Preprocessing dengan mengubah citra menjadi aras keabuan atau grayscale, dan ekstraksi fitur dengan Gray Level Co-Occurrence Matrix (GLCM), kemudian pada tahap selanjutnya adalah proses pelatihan (training) dan pengujian (testing) dengan menggunakan K-Nearest Neighbor. Hasil dari klasifikasi pada pengujian dengan Arah 0, 45, 90, dan 135 menggunakan K=1, K=3, dan K=5. didapatkan hasil akurasi tertinggi pada Arah 45 dengan K=3 sebesar 64%.\",\"PeriodicalId\":447053,\"journal\":{\"name\":\"Buletin Sistem Informasi dan Teknologi Islam\",\"volume\":\"27 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2021-11-30\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Buletin Sistem Informasi dan Teknologi Islam\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.33096/busiti.v2i4.1013\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Buletin Sistem Informasi dan Teknologi Islam","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.33096/busiti.v2i4.1013","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Klasifikasi Penyakit Periodontal Pada Citra Panoramic Gigi Dengan Ekstraksi Fitur Gray Level Co-Occurrence Matrix (GLCM)
Penyakit periodontal adalah gangguan pada jaringan periodontal berupa inflamasi pada jaringan penyangga gigi. Penyakit periodontal dapat disebabkan oleh adanya tumpukan plek di gigi. penelitian ini bertujuan untuk melakukan klasifikasi penyakit periodontal pada citra panoramic gigi menggunakan K-Nearest Neighbor dan untuk mengetahui hasil akurasi klasifikasikasinya. Pada penelitian ini menggunakan 100 dataset citra dengan pembagian rasio 75:25 untuk data latih dan data uji, dataset citra diambil dari https://www.kaggle.com/ (Kaggle). tahapan yang dilakukan yaitu Preprocessing dengan mengubah citra menjadi aras keabuan atau grayscale, dan ekstraksi fitur dengan Gray Level Co-Occurrence Matrix (GLCM), kemudian pada tahap selanjutnya adalah proses pelatihan (training) dan pengujian (testing) dengan menggunakan K-Nearest Neighbor. Hasil dari klasifikasi pada pengujian dengan Arah 0, 45, 90, dan 135 menggunakan K=1, K=3, dan K=5. didapatkan hasil akurasi tertinggi pada Arah 45 dengan K=3 sebesar 64%.