Klasifikasi Alzheimer Berdasarkan Data Citra MRI Otak Menggunakan Fcm Dan Anfis
DOI:
https://doi.org/10.25126/jtiik.20231036826Abstrak
Penyakit Alzheimer adalah kondisi neurologis yang secara bertahap membunuh sel-sel otak dan dapat membahayakan otak secara permanen. Sekitar 50 juta orang di seluruh dunia menderita penyakit Alzheimer atau demensia jenis lain. Jumlah pasien Alzheimer yang banyak mengindikasikan bahwa penting untuk melakukan deteksi dini dengan menggunakan pencitraan MRI otak. Penelitian ini bertujuan untuk mencegah terjadinya alzheimer dengan melakukan deteksi dini sehingga menurunkan kemungkinan meninggalnya pasien alzheimer. Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah metode untuk mengklasifikasikan penyakit Alzheimer. ANFIS menggabungkan ANN dengan FIS sehingga keduanya dapat bekerja sama untuk memberikan hasil yang berarti. Fuzzy C-Means (FCM) 3 cluster pertama-tama akan mensegmentasi data citra MRI untuk menghasilkan citra WM, GM, dan CSF. Citra GM juga akan digunakan untuk metode ekstraksi fitur GLCM. Nilai sensitivitas rata-rata terbaik dicapai pada uji coba k-fold 5 dengan type of membership function trapezoidal, 50 epoch, dan sudut 90°, dengan sensitivitas 90,27%, sesuai dengan hasil uji berganda yang telah dijalankan. Sementara k-fold 10 ditemukan memiliki sudut dan jenis fungsi keanggotaan yang sama pada saat percobaan epoch 150, diperoleh nilai 89,94%.
Abstract
Alzheimer's disease is a neurological condition that gradually kills brain cells and can harm the brain permanently. About 50 million people worldwide have Alzheimer's disease or another kind of dementia. Given many Alzheimer's patients, it is essential to identify it using brain MRI imaging. This study intends to prevent Alzheimer's instances by performing early detection, lowering the likelihood that Alzheimer's patients would pass away. The Adaptive Neuro-Fuzzy Inference System (ANFIS) is a method for classifying Alzheimer's disease. ANFIS combines ANN with FIS such that the two can work together to provide meaningful outcomes. Fuzzy C-Means (FCM) 3 clusters will first segment the MRI image data to produce the WM, GM, and CSF pictures. The GM image will also be used for the GLCM method of feature extraction. The best average sensitivity value was reached during the k-fold 5 trial with the type of membership function trapezoidal, 50 epoch, and 90° angle, with a sensitivity of 90.27%, according to the results of multiple tests that have been run. While k-fold 10 was found to have the same angle and kind of membership function at the time of the epoch 150 trial, a value of 89.94% was attained.
Downloads
Referensi
Acharya, H., Mehta, R., & Kumar Singh, D. (2021). Alzheimer Disease Classification Using Transfer Learning. Proceedings - 5th International Conference on Computing Methodologies and Communication, ICCMC 2021, 1503–1508.
Al-qaness, M. A. A., Fan, H., Ewees, A. A., Yousri, D., & Elaziz, M. A. (2021). Improved ANFIS Model for Forecasting Wuhan City Air Quality and Analysis COVID-19 Lockdown Impacts on Air Quality. Environmental Research, 194.
Alqudah, A. M., Alquraan, H., Qasmieh, I. A., Alqudah, A., & Al-Sharu, W. (2019). Brain Tumor Classification Using Deep Learning Technique - A Comparison Between Cropped, Uncropped, and Segmented Lesion Images with Different Sizes. International Journal of Advanced Trends in Computer Science and Engineering, 8(6), 3684–3691.
Andono, P. N., & Rachmawanto, E. H. (2020). Evaluasi Ekstraksi Fitur GLCM dan LBP Menggunakan Multikernel SVM untuk Klasifikasi Batik. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 1–9.
Astuti, L. W. (2019). Ekstraksi Fitur Citra MRI Otak Menggunakan Data Wavelet Transform (DWT) untuk Klasifikasi Penyakit Tumor Otak. Jurnal Ilmiah Informatika Global, 10(2), 80–86.
Ayudia, T. (2020). Sistem Pakar Diagnosa Penyakit Akibat Knsumsi Berlebihan Monsodium Glutamat (Msg) Menggunakan Metode Anfis. Jurnal Pelita Informatika, 8(3), 382–388.
Bai, X., Zhang, Y., Liu, H., & Chen, Z. (2019). Similarity Measure-Based Possibilistic FCM with Label Information for Brain MRI Segmentation. IEEE Transactions on Cybernetics, 49(7), 2618–2630.
Bai, X., Zhang, Y., Liu, H., & Wang, Y. (2019). Intuitionistic Center-Free FCM Clustering for MR Brain Image Segmentation. IEEE Journal of Biomedical and Health Informatics, 23(5), 2039–2051.
Chintawar, S., Ghodke, S., Khatavkar, V., Alset, U., & Mehta, H. (2021). Performance Evaluation of Speed Behaviour of Fuzzy-PI Operated BLDC Motor Drive. 2021 International Conference on Computational Performance Evaluation (ComPE), 179–184.
Deif, M., Hammam, R., & Solyman, A. (2021). Adaptive Neuro-Fuzzy Inference System (ANFIS) for Rapid Diagnosis of COVID-19 Cases Based on Routine Blood Tests. International Journal of Intelligent Engineering and Systems, 14(2), 178–189.
Gemiralda, R. M., Marlaokta, M., Studi, P., Dokter, P., Kedokteran, F., & Lampung, U. (2019). Effect of Neuroprotector Turmeric on Alzheimer ’s Patients. Jurnal Ilmu Keperawatan Jiwa, 2(3), 171–178.
Huang, H., Meng, F., Zhou, S., Jiang, F., & Manogaran, G. (2019). Brain Image Segmentation Based on FCM Clustering Algorithm and Rough Set. IEEE Access, 7, 12386–12396.
Huang, L. K., Chao, S. P., & Hu, C. J. (2020). Clinical Trials of New Drugs for Alzheimer Disease. Journal of Biomedical Science, 27(18), 1–13.
Islam, M. T., Aowal, M. A., Minhaz, A. T., & Ashraf, K. (2017). Abnormality Detection and Localization in Chest X-Rays using Deep Convolutional Neural Networks. ArXiv.
Iwendi, C., Mahboob, K., Khalid, Z., Javed, A. R., Rizwan, M., & Ghosh, U. (2021). Classification of COVID-19 Individuals Using Adaptive Neuro-Fuzzy Inference System. Multimedia Systems.
Khairuddin, S. H., Hasan, M. H., Hashmani, M. A., & Azam, M. H. (2021). Generating clustering-based interval fuzzy type-2 triangular and trapezoidal membership functions: A structured literature review. Symmetry, 13(2), 1–25.
Khan, U., Ali, A., Khan, S., Aadil, F., Durrani, M. Y., Muhammad, K., Baik, R., & Lee, J. W. (2019). Internet of Medical Things–Based Decision System for Automated Classification of Alzheimer’s using Three-Dimensional Views of Magnetic Resonance Imaging Scans. International Journal of Distributed Sensor Networks, 15(3).
Kour, H., Manhas, J., & Sharma, V. (2019). Brief Paper: Evaluation of Subtractive Clustering based Adaptive Neuro-Fuzzy Inference System with Fuzzy C-Means based ANFIS System in Diagnosis of Alzheimer. Journal of Multimedia Information System, 6(2), 87–90.
Krismantoro, E., Supriyanti, R., & Ramadhani, Y. (2021). Klasifikasi Objek Alzheimer Citra Otak Magnetic Resonance Image (MRI) Dengan Metode Backpropagation Neural Network Berdasarkan Clinical Dementia Rating (CDR).
Liu, B., He, S., He, D., Zhang, Y., & Guizani, M. (2019). A Spark-Based Parallel Fuzzy c -Means Segmentation Algorithm for Agricultural Image Big Data. IEEE Access, 7, 42169–42180.
Markoulidakis, I., Rallis, I., Georgoulas, I., Kopsiaftis, G., Doulamis, A., & Doulamis, N. (2021). Multiclass Confusion Matrix Reduction Method and Its Application on Net Promoter Score Classification Problem. Technologies, 9(4), 81.
Mirzaei, G., & Adeli, H. (2022). Machine Learning Techniques for Diagnosis of Alzheimer Disease, Mild Cognitive Disorder, and Other Types of Dementia. Biomedical Signal Processing and Control, 72(PA), 103293.
Novitasari, D. C. R., Puspitasari, W. T., Wulandari, P., & Foeady, A. Z. (2018). Klasifikasi Alzheimer dan Non Alzheimer Menggunakan Fuzzy C-Mean, Gray Level Co-occurence Matrix, dan Support Vector Machine. Jurnal Matematika MANTIK, 04(02), 83–89.
Pamungkas, D. P. (2019). Ekstraksi Citra menggunakan Metode GLCM dan KNN untuk Identifikasi Jenis Anggrek (Orchidaceae). Innovation in Research of Informatics (INNOVATICS), 1(2), 51–56.
Pinamonti, M. (2022). Alzheimer MRI 4 Classes Dataset.
Pratiwi, B. P., Handayani, A. S., & Sarjana, S. (2021). Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi WSN Menggunakan Confusion Matrix. Jurnal Informatika Upgris, 6(2), 66–75.
Raharja, M. A., Darmawan, I. D. M. B. A., Nilakusumawati, D. P. E., & Supriana, I. W. (2021). Analysis of membership function in implementation of adaptive neuro fuzzy inference system (ANFIS) method for inflation prediction. Journal of Physics: Conference Series, 1722(1).
Raharjo, R. A., Prabowo, S., & Satwiko, A. G. P. (2019). Klasifikasi Jenis Buah Menggunakan Adaptive Neuro Fuzzy Inference System ANFIS dan Image Processing. E-Proceeding of Engineering, 6(2), 9053–9068.
Rao, L. J., Challa, R., Sudarsa, D., Naresh, C., & Basha, C. Z. (2020). Enhanced Automatic Classification of Brain Tumours with FCM and Convolution Neural Network. Proceedings of the 3rd International Conference on Smart Systems and Inventive Technology, ICSSIT 2020, Icssit, 1233–1237.
Rizal, R. A., Gulo, S., & Sihombing, O. D. C. (2019). Analisis Gray Level Co-Occurrence Matrix (GLCM) dalam Mengenali Citra Ekspresi Wajah. Jurnal Manajemen, Teknologi Informatika Dan Komunikasi (MANTIK), 3(2), 31–38.
Salsabila, A., Yunita, R., & Rozikin, C. (2021). Identifikasi Citra Jenis Bunga menggunakan Algoritma KNN dengan Ekstrasi Warna HSV dan Tekstur GLCM. Technomedia Journal, 6(1), 124–137.
Santoso, M. Y., Disrinama, A. M., & Amrullah, H. N. (2020). An Application of ANFIS for Lung Diseases Early Detection System. Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, 4, 29–36.
Sianturi, A. G. M. (2021). Stadium, Diagnosis, dan Tatalaksana Penyakit Alzheimer. Majalah Kesehatan Indonesia, 2(2), 39–44.
Song, J., & Zhang, Z. (2019). A Modified Robust FCM Model with Spatial Constraints for Brain MR Image Segmentation. Information (Switzerland), 10(2).
Wong, R., Luo, Y., Mok, V. C., & Shi, L. (2021). Advances in Computerized MRI-Based Biomarkers in Alzheimer’s Disease. Brain Science Advances, 7(1), 26–43.
Xu, P., Liu, B., Hu, X., Ouyang, T., & Chen, N. (2022). State-of-Charge Estimation for Lithium-ion Batteries Based on Fuzzy Information Granulation and Asymmetric Gaussian Membership Function. IEEE Transactions on Industrial Electronics, 69(7), 6635–6644.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
