KLASIFIKASI CITRA PARU-PARU PENDERITA

PNEUMONIA DAN COVID-19 MENGUNAKAN

METODE EKSTRAKSI FITUR GLCM DAN MODEL
KLASIFIKASI SVM
(Pneumonia And Covid-19 Lung Classification Using GLCM Feature
Extraction Method And SVM Classification Model)
Alidin, Wahyu Alfandi
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Mataram
Jl. Majapahit 62, Mataram, Lombok NTB, INDONESIA 
Email: alidin202@gmail.com, w.alfa433@gmail.com

Abstrak
Corona Virus 2019 atau yang sering disebut COVID-19 merupakan penyakit menular oleh sindrom
pernafasan akut parah SARSCoV-2. Angka kasus COVID–19 di Indonesia tiap harinya terus
mengalami peningkatan. Berdasarkan data per 24 Mei 2021 dari World Health Organization, total
kumulatif kasus di Indonesia adalah 1.781.127 kasus, menempati posisi negara keempat dengan kasus
tertinggi di Asia dibawah India, Turkey dan Iran. Salah satu metode awal untuk mengidentifikasi
penyakit ini adalah dengan menggunakan Computerised Tomography atau CT-Scan. Penelitian ini
dilakukan dengan mengklasifikasikan paru-paru yang terkena penyakit Covid-19 dan Pneumonia
menggunakan Model Machine Learning Suport Vector machines (SVM). Dataset yang digunakan
bersumber dari tim research Qatar University dan University of Dhaka yang berkolaborasi dengan
dokter setempat yang diakses melalui kaggle.com. Dataset tersebut terdiri dari 3586 citra pengidap
Covid-19, 5982 citra pengidap Pneumonia, dan 10162 citra paru-paru normal. Proses klasifikasi
diawali dengan melakukan penghitungan Gray Level Co-Ocurence matriks 4 sudut yakni 0, 45, 90,
dan 135 yang kemudian hasil dari masing masing matriks tersebut akan diekstraksi fitur-fitur berupa
dissimilarity, correlation, homogeneity, contrast, ASM, dan energy. Proses pengujian dilakukan
dengan menggunakan beberapa variabel untuk seleksi fitur PCA yakni n_component 2 sampai 24.
Akurasi akhir yang didapatkan menggunakan metode klasifikasi SVM adalah sebesar 76,2% dari
PCA n_components = 14.
Keywords : Covid-19, Pneumonia, GLCM, PCA, SVM, Klasifikasi, Ekstraksi Fitur
1. PENDAHULUAN tekstur dengan metode GLCM yang
Corona Virus 2019 atau yang sering selanjutnya akan direduksi dengan
disebut COVID-19 merupakan penyakit menggunakan metode PCA sehingga
menular oleh sindrom pernafasan akut parah mempercepat proses klasifikasi dan yang
SARSCoV-2 [1]. Angka kasus COVID–19 di terakhir adalah melakukan klasifikasi
Indonesia tiap harinya terus mengalami menggunakan Metode SVM dengan
peningkatan. Berdasarkan data per 24 Mei menggunakan fitur-fitur yang telah direduksi.
2021 dari World Health Organization, total Metode ekstraksi fitur GLCM pada
kumulatif kasus di Indonesia adalah penelitian sebelumnya digunakan oleh
1.781.127 kasus, menempati posisi negara Muhamad Saenudin dan kawan-kawan
keempat dengan kasus tertinggi di Asia (2021) dengan hasil akurasi sebesar 80.35%
dibawah India, Turkey dan Iran [2]. [3], Varela-Santos dengan hasil akurasi
Identifikasi catat pada paru-paru yang tertinggi sebesar 94.30% [4]. Selanjutnya
disebabkan oleh Covid-19 dan Pneumonia pada penelitian yang dilakukan oleh Turker
dapat dilakukan dengan mendapatkan fitur dan kawan-kawan (2020) menggunakan
metode klasifikasi SVM mendapatkan hasil
akurasi sebesar 97% [5], penelitian yang
sama juga dilakukan oleh Umut Ozkaya dan
kawan-kawan dan mendapatkan hasil yang
baik yakni 98% [6]. Berdasarkan hasil
penelitian yang telah dilakukan, metode
ekstraksi fitur GLCM dan klasifikasi SVM
memiliki performa yang sangat bagus,
disamping itu ekstraksi fitur GLCM memiliki
kecocokan dengan dataset yang berhubungan
dengan tekstur dari kantong dan saluran
udara pada paru-paru [7]. Sedangkan metode
klasifikasi SVM sangat cocok untuk dataset
yang memiliki kolom dan baris dalam jumlah
besar yang tidak memungkinkan untuk
dilakukan metode klasifikasi secara linear
[7].
Tujuan dari penelitian ini adalah untuk
melakukan klasifikasi pada penyakit paru-
paru menggunakan fitur-fitur dari gray level
co-occurrence (GLCM) yang kemudian fitur
tersebut akan direduksi dengan metode PCA
dan terakhir adalah melakukan klasifikasi
menggunakan metode SVM. Pada saat
dilakukan seleksi fitur juga akan didapatkan
fitur-fitur terbaik yang bisa digunakan untuk
proses klasifikasi.
2. TINJAUAN PUSTAKA
2.1 Penelitian Terkait
Untuk mendukung penelitian ini, maka
dibutuhkan beberapa penelitian terdahulu
yang dijadikan sebagai rujukan. Adapun
penelitian terdahulu yang berkaitan dengan
karya tulis ini adalah :
Turker dan kawan-kawan (2020) dalam
penelitiannya yang berjudul “A novel Covid-
19 and Pneumonia Classification Method
Based on F-transform” menggunakan metode
FFT untuk melakukan ekstraksi fitur pada
citra hasil x-ray paru-paru yang terdeteksi
normal, Covid-19, dan Pneumonia, dan
kemudian melakukan perbandingan
menggunakan model KNN dan SVM,
hasilnya adalah SVM classifier dengan
akurasi 97% [5].
Risha Ambar Wati (2020) dalam
penelitiannya yang berjudul “Klasifikasi
Pneumonia Menggunakan Metode Support
Vector Machine” yang mengklasifikasikan 2
class menggunakan GLCM dan model SVM
dengan akurasi 62.66% [8].
Marwa M. Eid dan kawan-kawan
(2021) dalam penelitiannya yang berjudul
“Efficient Pneumonia Detection for Chest
Radiography Using ResNet-Based SVM”
untuk mengklasifikasikan antara pengidap
pneumonia maupun normal dengan akurasi
88.665% [9].
Umut Ozkaya1 dan kawan-kawan
(2020) dalam penelitiannya yang berjudul
“Corona Virus (COVID-19) Classification
Using Deep Features Fusion and Ranking
Technique” menggunakan model CNN dan
klasifikasi SVM menghasilkan akurasi
sebesar 98.27% [6].
Saban Ozturk dan kawan-kawan (2020)
dalam penelitiannya yang berjudul
“Classification of COVID-19 Patients from
Chest CT Images using Multi-Objective
Differential Evolution–Based Convolutional
Neural Networks” menghasilkan akurasi
sebesar 93.5% [5].
Muhamad Saenudin dan kawan-kawan
(2021) dalam penelitiannya yang berjudul
“Classification of Covid-19 Using Feature
Extraction GLCM and SVM Algorithm”
melakukan klasifikasi menggunakan hasil x-
ray citra paru-paru dengan algoritma GLCM
dan SVM, hasilnya menunjukan bahwa
akurasi tertinggi sebesar 90.47% ketika d = 1
dan akurasi terendah sebesar 80.35% ketika d
= 3 [3].
Saban Ozturk dan kawan-kawan (2021)
dalam penelitiannya yang berjudul
“Classification of Coronavirus (COVID‐19)
from X‐ray and CT Images Using Shrunken
Features” melakukan klasifikasi
menggunakan hasil x-ray citra paru-paru
dengan algoritma sAE dan PCA
menghasilkan akurasi masing-masing sebesar
86.54% dan 94.23% untuk 495 sampel [10].
 Sergio Varela-Santos dan kawan-
kawan (2021) dalam penelitiannya yang
berjudul “A new Approach for Classifying
Coronavirus COVID-19” berdasarkan hasil
x-ray citra paru-paru menggunakan ekstraksi
fitur dan neural network menghasilkan
akurasi tertinggi sebesar 94.30% [4].
2.2 Covid-19
Severe Acute Respiratory Syndrome
Coronavirus (SARS-COV-2) adalah sebuah
penyakit menular yang disebabkan oleh virus
corona. Coronavirus (COVID-19) menyerang
sistem pernapasan dimulai dari hidung,
mulut, tenggorokan bahkan untuk kasus
terparah bisa sampai sampai ke paru – paru.
penyakit ini juga dapat memicu gejala
demam dan batuk (Pneumonia) sehingga
terjadi perubahan jaringan organ paru – paru
[1].
2.3 Pneumonia
Pneumonia adalah jenis penyakit pada
paru paru yang biasanya disebabkan oleh
virus, jamur, bakteri atau parasit. Virus yang
paling umum menjadi penyebab utama
penyakit ini adalah Adenoviruses,
Rhinovirus, Influenza Virus, Respiratory
Syncytial Virus (RSV) dan Parainfluenza
Virus, sedangkan bakteri yang biasanya
menyebabkan Pneumonia yaitu
Streptococcus dan Mycoplasma Pneumonia.
Virus-virus atau bakteri-bakteri tersebut
menyebabkan paru-paru terutama di bagian
alveolus (mikroskopik udara mengisi
kantong dari paru yang berfungsi untuk
menyerap oksigen dari atmosfer) menjadi
radang dan dengan penimbunan cairan
seperti lendir [11].
3. METODE PENELITIAN
3.1 Analisis Dataset
Dataset yang digunakan pada penelitian
ini berasal dari kaggle dengan link :
www.kaggle.com/tawsifurrahman/covid19-
radiography-database yang dikumpulkan oleh
tim research dari Qatar University di Doha,
Qatar dan University of Dhaka di Bangladesh
yang juga berkolaborasi dengan tim dokter
dari Pakistan dan Malaysia. Dataset tersebut
terdiri dari citra paru-paru normal sebanyak
10162 citra, Pneumonia sebanyak 1345 citra
dan Covid-19 sebanyak 3616 citra. Citra
merupakan gambar yang berasal dari CT-
Scan dan keseluruhannya berukuran 299 x
299 pixel, memiliki warna grayscale, dan
berformat .png dan .jpg.
Citra paru-paru memiliki beberapa fitur
yang bisa dijadikan data untuk dibawa ke
model klasifikasi. Fitur-fitur tersebut harus
dianalisis sehingga didapatkan fitur terbaik
sebagai pembeda antara jenis satu dengan
lainnya.
Normal Covid Pneumonia
Gambar 1. Perbandingan paru-paru normal,
Covid-19, dan Pneumonia.
Pada gambar diatas dapat diambil
diagnosa awal bahwa fitur yang paling
membedakan antara ke-3 citra tersebut
adalah tekstur. Sebagai contoh pada citra
paru-paru normal, warna tekstur cenderung
lebih gelap yang menandakan bahwa paru-
paru sepenuhnya terisi udara tanpa ada
gangguan dari penyakit manapun. Pada citra
paru-paru Covid-19, warna tekstur sedikit
lebih putih dan terdapat noise seperti kapas di
bagian sebelah kanan bawah. Selanjutnya
yang terakhir adalah citra Pneumonia yang
dimana hampir keseluruhan bagian
mengalami kerusakan karena penyakit ini
menyerang kantung udara paru-paru
sehingga terisi cairan atau nanah.
Dari analisis dataset tersebut dapat
disimpulkan bahwa fitur yang paling
membedakan antara citra yang satu dengan
lainnya adalah fitur tekstur, dan salah satu
metode ekstraksi fitur tekstur terbaik yang
ada sekarang adalah metode Gray Level Co-
occurrence Matrix (GLCM).
3.2 Perancangan Algoritma
Langkah awal algoritma klasifikasi
penyakit Covid-19 dan Pneumonia pada
paru-paru adalah dengan melakukan
preprocessing, dilanjuti dengan melakukan
ekstraksi fitur menggunakan metode GLCM
dan metode PCA, yang terakhir adalah
membuat model Machine Learning
menggunakan metode SVM. Proses
modeling menggunakan 2 jenis, yakni
menggunakan 2 class dan 3 class. Proses
seleksi fitur sampai modeling juga
mengalami beberapa kali pengulangan demi
mengetahui n-components terbaik yang dapat
digunakan untuk proses seleksi fitur. Tahap
akhir dari klasifikasi ini adalah melakukan
proses validasi yang akan menghasilkan nilai
akurasi.
Gambar 2. Flowchart algoritma klasifikasi citra.
3.3 Preprocessing
Preprocessing citra yang dilakukan ini
adalah proses croping yang bertujuan untuk
mengambil citra paru-paru saja.
Proses cropping dimulai dengan
melakukan segmentasi pada citra paru-paru
menggunakan metode K-Means clustering.
K-Means clustering menggunakan nilai
variabel K = 2, sehingga didapatkan citra
gelap (paru-paru) dan citra terang (tulang,
daging, dan urat di paru paru). Setelah itu
dilanjutkan dengan mengambil bounding box
paru-paru. Objek yang ada di dalam
bounding box paru-paru akan diambil,
sedangkan yang di luarnya akan dibuang
[12], algoritma ini digunakan karena pada
dasarnya distribusi warna pada paru paru
tidak tetap dan memiliki variasi konstras
yang berbeda, maka dari itu perlu digunakan
proses segmentasi yang adaptif yang tepat,
yakni K-Means segmentation.
Kemudian datanya akan dilakukan
balancing, dimana akan diambil 1000 sampel
secara acak untuk masing masing label.
3.4 Ekstraksi Fitur GLCM
GLCM adalah salah satu metode
ekstraksi fitur yang bekerja dengan cara
menghitung nilai ketetanggaan antar pixel
yang memiliki intensitas dan orientasi abu-
abu dari suatu sudut. Arah atau orientasi
suatu sudut direpresentasikan dalam derajat
yang terbentuk dari sudut 0o, 45o, 90o dan
135o [13].
Ada beberapa fitur yang akan
diekstraksi dari GLCM yakni contrast,
correlation, energy, homogeneity,
dissimilarity, entropy dan ASM [14]. Berikut
adalah adalah rumus dari parameter yang
sering digunakan dalam melakukan ekstraksi
fitur pada GLCM:
levels−1
contrast = ∑ ❑ Pi , j (i− j)2
i , j=0
levels−1
dissimilarity= ∑ ❑ Pi , j∨i− j∨¿
i , j=0
levels−1
Pi , j
h omogeneity = ∑ ❑
i , j=0 1+(i− j)2
levels−1
ASM = ∑ ❑ P2i , j
i , j =0
energy= √ ASM
 levels−1
(i−μi )( j−μ j ) penghitungan presisi, dan recall [15] dengan
correlation= ∑
i , j=0
❑
[ 2
√(σ )(σ )
i
2
j
] rumus:
Score=True ¿ ¿
Presisi=True ¿ ¿
3.5 Seleksi Fitur
Recall=True ¿ ¿
Total jumlah fitur yang didapatkan
pada proses sebelumnya adalah 24, jumlah
4. HASIL DAN PEMBAHASAN
ini tergolong sangat banyak sehingga akan
Pengujian klasifikasi jenis penyakit
mempengaruhi performa model klasifikasi.
pada paru-paru (Covid-19 dan Pneumonia)
Solusi yang dapat digunakan adalah dengan
diawali dengan proses ekstraksi fitur
melakukan dimensional reduction. Metode
menggunakan metode GLCM dilanjutkan
yang digunakan untuk melakukan seleksi
dengan seleksi fitur menggunakan metode
fitur pada dataset dengan jumlah kolom dan
PCA yang diakhiri dengan proses klasifikasi
baris yang sangat banyak adalah PCA [10].
menggunakan metode SVM.
Seleksi fitur PCA dilakukan dengan
Proses ekstraksi fitur GLCM
cara mencari eigenvector pada masing-
menggunakan 4 sudut yakni 0 , 45 , 90o dan
o o
masing fitur, kemudian diurutkan dan
135o , yang kemudian di tahap kedua masing
mengambil sejumlah kolom dengan
masing matrix co-occurrence setiap sudut
eigenvalue tertinggi. Hasil dari seleksi fitur
akan dilakukan ekstraksi ciri berupa contrast,
ini kemudian bisa dibawa ke proses
dissimilarity, homogeneity, ASM, energy dan
selanjutnya yakni proses klasifikasi [10].
correlation. Sehingga total ada 24 fitur yang
3.6 Klasifikasi SVM
dimiliki masing masing citra dataset. Proses
Model klasifikasi SVM adalah salah
seleksi fitur yakni menggunakan metode
satu metode yang cukup populer. Cara kerja
PCA dengan percobaan menggunakan
SVM adalah dengan mencari fungsi /
variabel n_component sebanyak 2 sampai 23.
hyperplane berupa garis linear yang dapat
Kemudian dari setiap variasi n_component
memisahkan data-data berdasarkan kelasnya.
data yang dihasilkan oleh seleksi fitur
Metode pencarian hyperplane adalah dengan
tersebut akan dilanjutkan ke proses
melakukan “kernel trick”, yakni
klasifikasi menggunakan metode SVM. Lalu
mengkonversi dimensi data ke dimensi yang
yang terakhir adalah dengan menghitung
lebih tinggi [8].
performa berdasarkan nilai score, akurasi,
Dataset yang digunakan kurang tepat
presisi dan recall. Hasil yang didapatkan dari
untuk diolah menggunakan model klasifikasi
setiap strategi yang digunakan adalah sebagai
linear, mengingat kompleksitas data dan
berikut:
jumlah fitur yang cenderung banyak. Oleh
Tabel 1. Tabel skor masing-masing variasi
karena itu model klasifikasi SVM sangat n_components.
cocok untuk kategori data yang ada.
No n_components score
3.7 Teknik Pengujian
Proses terakhir adalah pengujian sistem 1 2 0,501
yang bertujuan untuk mengetahui performa
2 3 0,575
model klasifikasi yang telah dibuat.
Sebanyak 20% dataset digunakan sebagai 3 4 0,698
objek validasi model, data validator tersebut
4 5 0,708
akan diuji dimodel dan label hasil
prediksinya akan dibandingkan dengan label 5 6 0,703
aslinya, kemudian akan dilakukan proses
 6 7 0,703 Untuk klasifikasi dengan label normal,
didapatkan bahwa nilai precision, recall dan
7 8 0,717 f1-score paling optimal pada n_components =
8 9 0,733 14.
Ringkasan tabel precision, recall, dan
9 10 0,743 f1-score untuk label Covid-19 adalah sebagai
10 11 0,742 berikut :
Tabel 3. Tabel hasil validasi paru-paru covid.
11 12 0,744 n_componenst precision recall f1-score
12 13 0,753 11 0.739 0.620 0.674

13 14 0,762 12 0.742 0.627 0.680

13 0.754 0.649 0.697
14 15 0,756
14 0.759 0.667 0.710
15 16 0,757
15 0.754 0.659 0.704
16 17 0,757 16 0.754 0.659 0.704
17 18 0,755 17 0.754 0.659 0.704

18 19 0,758 Untuk klasifikasi dengan label Covid-

19, didapatkan bahwa nilai precision, recall
19 20 0,757 dan f1-score paling optimal pada
20 21 0,757 n_components = 14
Ringkasan tabel precision, recall dan
21 22 0,757 f1-score untuk label Pneumonia adalah
22 23 0,757 sebagai berikut :

Berdasarkan data yang disajikan pada

tabel diatas, skor terbaik didapatkan pada Tabel 4. Tabel hasil validasi paru-paru
n_components = 14 yakni 76,2% dan skor pneumonia.
terendah didapatkah pada n_components = 2 n_componenst precision recall f1-score
yakni 50,01%. Detail untuk masing masing
11 0.803 0.952 0.871
class dirincikan sebagai berikut:
Ringkasan tabel precision, recall, dan 12 0.806 0.955 0.874
f1-score untuk label normal adalah sebagai 13 0.811 0.959 0.879
berikut : 14 0.816 0.959 0.882
Tabel 2. Tabel hasil validasi paru-paru normal.
15 0.813 0.952 0.877
n_componenst precision recall f1-score
16 0.813 0.955 0.879
11 0.661 0.647 0.654
17 0.813 0.955 0.879
12 0.662 0.642 0.652
Untuk klasifikasi dengan label
13 0.671 0.642 0.656
Pneumonia, didapatkan bahwa nilai
14 0.689 0.651 0.670 precision, recall dan f1-score paling optimal
15 0.679 0.647 0.662 pada n_components = 14
16 0.682 0.647 0.664
5. KESIMPULAN
17 0.682 0.647 0.664
 Berdasarkan penelitian yang sudah
dilakukan, dapat disimpulkan bahwa
klasifikasi jenis penyakit pada paru-paru
berdasarkan citra CT-Scan menggunakan
ekstraksi fitur GLCM, seleksi fitur PCA dan
teknik klasifikasi SVM mampu melakukan
klasifikasi dengan cukup baik yakni dengan
skor akurasi hingga 76,2% pada jumlah
n_components 14. Akurasi yang dihasilkan
juga dipengaruhi oleh jumlah fitur yang
diambil disaat proses seleksi fitur.
Penelitian selanjutnya diharapkan dapat
melakukan eksperimen dengan skenario yang
lebih banyak, seperti meningkatkan akurasi
proses cropping dan juga melakukan
pembersihan outlier pada data. Percobaan
untuk menambahkan metode lainnya dalam
memproses citra juga sangat diharapkan,
serta data-data tambahan seperti gejala pasien
pemilik citra paru-paru juga sangat
dibutuhkan untuk meningkatkan akurasi.
DAFTAR PUSTAKA
[1] A. Gaghaube, M. M. Kaseke, dan S. J.
R. Kalangi, “Karakteristik Gambaran
Histologis Paru-Paru Pasien COVID-
19,” eBiomedik, vol. 9, no. 1, hal. 52–
67, 2021, doi:
10.35790/ebm.9.1.2021.31896.
[2] W. H. Organization, “Situation Report
- 42,” 2020.
https://www.who.int/publications/m/ite
m/situation-report---42 (diakses Mar
15, 2021).
[3] M. Saenudin, F. Haq, R. I. Adam, I.
Engineering, dan S. Program,
“Classification of Covid-19 Using
Feature Extraction GLCM and SVM
Algorithm,” vol. 5, no. 1, hal. 179–183,
2021.
[4] S. Varela-santos dan P. Melin, “A new
approach for classifying coronavirus
COVID-19 based on its manifestation
on chest X-rays using texture features
and neural networks,” no. January,
2020.
[5] T. T. A, F. Ozyurt, S. Dogan, dan A.
Subasi, “A novel Covid-19 and
pneumonia classification method based
on F-transform,” Diabetes Metab
Syndr., vol. 14(4), no. January, hal.
337–339, 2020.
[6] U. Özkaya, Ş. Öztürk, dan M.
Barstugan, “Coronavirus (COVID-19)
Classification Using Deep Features
Fusion and Ranking Technique,” hal.
281–295, 2020, doi: 10.1007/978-3-
030-55258-9_17.
[7] B. D. Junita, “Ekstraksi Fitur Dan
Klasifikasi Menggunakan Metode
GLCM dan SVM Pada Citra
Mammogram untuk Identifikasi
Kanker Payudara,” Teknol. Rekayasa,
vol. 22, no. 1, hal. 18–26, 2017.
[8] R. A. Wati, H. Irsyad, dan M. E. Al
Rivan, “Klasifikasi Pneumonia
Menggunakan Metode Support Vector
Machine,” J. Algoritm., vol. 1, no. 1,
hal. 21–32, 2020.
[9] M. M. Eid dan Y. H. Elawady,
“Efficient Pneumonia Detection for
Chest Radiography Using ResNet-
Based SVM,” Eur. J. Electr. Eng.
Comput. Sci., vol. 5, no. 1, hal. 1–8,
2021, doi:
10.24018/ejece.2021.5.1.268.
[10] Ş. Öztürk, U. Özkaya, dan M.
Barstuğan, “Classification of
Coronavirus (COVID-19) from X-ray
and CT images using shrunken
features,” Int. J. Imaging Syst.
Technol., vol. 31, no. 1, hal. 5–15,
2021, doi: 10.1002/ima.22469.
[11] S. W. Euis Novi Solihati, Suhartono,
“Studi Epidemiologi Deskriptif
Kejadian Pneumonia Pada Balita Di
Wilayah Kerja Puskesmas Langensari
Ii Kota Banjar Jawa Barat Tahun
2017,” J. Kesehat. Masy., vol. 5, no. 5,
hal. 618–629, 2017.
[12] G. I. of E. and 1 J. Mahesh Kumar,
Assistant Professor, Department of
E.C.E., G. I. E. T. (A. Technology(A),
Rajahmundry, A.P. , 2 Rupalin Nanda,
Assistant Professor, Dept. of E.C.E., G.
E. Rajahmundry, A.P., 3 Rama
Krushna Rath, Assistant Professor,
Dept. of C.S.E., C. college,
Rajahmundry, A.P., 4 Gade Trinadha
Rao, Assistant Professor, Dept. of
 C.S.E., dan A. P. Engineering college,
Visakhapatnam, “Image Segmentation
using K-means Clustering,” Int. J. Adv.
Sci. Technol., vol. 29, no. 6s(2020),
hal. 3700–3704, 2020, doi:
10.13140/RG.2.2.31427.84007.
[13] K. Adi, C. E. Widodo, A. P. Widodo,
R. Gernowo, A. Pamungkas, dan R. A.
Syifa, “Detection lung cancer using
Gray Level Co-Occurrence Matrix
(GLCM) and back propagation neural
network classification,” J. Eng. Sci.
Technol. Rev., vol. 11, no. 2, hal. 8–12,
2018, doi: 10.25103/jestr.112.02.
[14] T. H. Nasution dan U. Andayani,
“Recognition of Roasted Coffee Bean
Levels using Image Processing and
Neural Network,” 2017, doi:
10.1088/1742-6596/755/1/011001.
[15] D. Srivastava dan L. Bhambhu,
“DATA CLASSIFICATION USING
SUPPORT VECTOR,” no. February
2010, 2019.