SISTEM DETEKSI KANKER SERVIKS MENGGUNAKAN METODE GRADIENT VECTOR FLOW SNAKE, GRAY LEVEL CO-OCCURANCE MATRIX, DAN MACHINE LEARNING

KANKER SERVIKS ADALAH KANKER PALING SERING SERING DITEMUKAN KEEMPAT PADA WANITA DENGAN PERKIRAAN 570.000 KASUS BARU PADA TAHUN 2018 DAN MEWAKILI 6,6 PERSEN DARI SEMUA KASUS KANKER PADA WANITA. BERDASARKAN KEMENTERIAN TAHUN 2018 KANKER SERVIKS MENDUDUKI URUTAN KETUJUH SECARA GLOBAL DALAM SEGI ANGKA KEJADIAN DAN URUTAN KEDELAPAN SEBAGAI PENYEBAB KEMATIAN (MENYUMBANG 3,2 PERSEN MORTALITAS, SAMA DENGAN ANGKA MORTALITAS AKIBAT LEUKIMIA). SCREENING DIGUNAKAN DIAGNOSA AWAL YANG DILAKUKAN UNTUK PENDETEKSIAN KANKER SERVIKS TERLALU LAMA DIBANDING DENGAN NAIKNYA JUMLAH PENDERITA SETIAP TAHUNNYA. DATA PENELITIAN MERUPAKAN CITRA HASIL PAP SMEAR PADA SEL SERVIKS YANG DIDAPAT DARI HOSPITAL UNIVERSITI SAINS MALAYSIA YANG MEMILIKI 3 KELAS CITRA YAITU CITRA HSIL, CITRA LSIL, DAN CITRA NORMAL DENGAN MENGGUNAKAN 452 CITRA TRAINING DENGAN DETAIL DAN CITRA TESTING BERJUMLAH 46 CITRA. TUJUAN DARI PENELITIAN UNTUK MENGETAHUI HASIL KLASIFIKASI PADA METODE SUPPORT VECTOR MACHINE (SVM) DAN K-NEAREST NEIGHBOR (KNN) DARI NILAI CITRA HASIL PAP SMEAR SEL SERVIKS YANG TELAH DISEGMENTASI MENGGUNAKAN METODE GRADIENT VECTOR FLOW SNAKE (GVFS) DAN DIEKSTRAKSI FITUR DENGAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM). HASIL DARI PENELITIAN MENUNJUKAN KLASIFIKASI MEMILIKI NILAI AKURASI TRAINING TERBAIK DENGAN NILAI SEBESAR 72,3 PERSEN PADA MODEL QUADRATIC SUPPORT VECTOR MACHINE. PADA KLASIFIKASI HASIL TESTING MEMILIKI NILAI TERBAIK SEBESAR 71,59 PERSEN PADA MODEL QUADRATIC SUPPORT VECTOR MACHINE