commit to user
5 BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Efusi PleuraPleura adalah membrane penting yang membungkus setiap paru dan berfungsi untuk melindungi paru. Membrane bagian luar dinamakan pleura pariental, sedangkan membrane bagian dalam dinamakan pleura visceral.Pleura pariental melapisi rongga toraks (kerangka iga, diafragma, mediastinum) dan pleura visceral melapisi paru serta bersambungan dengan pleura pariental di bagian bawah paru. Ruang di antara dua membrane pleura dinamakan pleura cavity yang berisi cairan pleura yang dikeluarkan oleh membrane pleura. Cairan ini memiliki fungsi yang penting untuk melumasi dan mengurangi friksi atau gesekan di antara dua membrane pleura karena paru-paru bergerak selama bernapas (Maryudianto, 2012).
Penyakit Efusi Pleura merupakan suatu keadaan dimana terdapatnya akumulasi cairan pleura dalam jumlah yang berlebihan di dalam rongga pleura, yang disebabkan oleh ketidakseimbangan antara pembentukan dan pengeluaran cairan pleura (Tobing & Widirahardjo, 2013).
Efusi pleura merupakan suatu gejala yang serius dan dapat mengancam jiwa penderitanya. Efusi pleura dapat di sebabkan antara lain karena tuberkulosis, neo plasma atau karsinoma, gagal jantung, pnemonia, dan infeksi virus maupun bakteri (Ariyanti, 2003).
Pasien dengan efusi pleura di dalam rongga pleura terdapat kurang lebih 5 ml cairan yang cukup untuk membasahi seluruh permukaan pleura parientalis dan viseralis. Sebagian cairan ini diserap kembali oleh kapiler paru dan pleura viseralis, sebagian kecil lainnya (10%-20%) mengalir ke dalam pembuluh limfe (Maryudianto, 2012).
commit to user
6
2.1.2 Thorax
Terdapat beberapa cara untuk melakukan diagnosa penyakit paru, yaitu dengan manifestasi klinis, pemeriksaan fisik, pemeriksaan radiologi (thorax, CT scan, MRI scan), Sitologi Sputum, dan Bronkoskopi (Sinaga, 2011).
Pemeriksaan radiologi thorax merupakan pemeriksaan yang sangat penting untuk mendiagnosis banyak kondisi yang melibatkan dinding thorax, tulang thorax dan struktur yang berada di dalam kavitas thorax termasuk paru-paru, jantung dan saluran-saluran yang besar. Kemajuan teknologi yang cukup pesat dalam teknik pemeriksaan radiologi thorax dan pengetahuan untuk menilai suatu rontgenogram thorax menyebabkan pemeriksaan thorax dengan sinar rontgen ini menjadi suatu keharusan rutin. Selain itu, berbagai kelainan dini dalam paru juga sudah dapat dilihat dengan jelas pada foto rontgen sebelum timbul gejala-gejala klinis, sehingga pemeriksaan secara rutin pada orang-orang yang tidak mempunyai keluhan apa-apa sudah menjadi prosedur yang lazim dalam pemeriksaan kesehatan masyarakat secara massal, seperti yang dilakukan pada mahasiswa, anak sekolah, anggota negara, pegawai perusahaan, serta para karyawan lainnya. Misalnya suatu sarang tuberkulosis yang hanya sekecil 2mm diameternya, mungkin sudah dapat dilihat pada foto rontgen, sedangkan pada pemeriksaan fisik klinis tentu tidak akan berhasil menemukan sarang sekecil ini (Rasad, 2005).
Pemeriksaan radiologi merupakan cara yang penting untuk dokumentasi dan pemeriksaan berkala yang obyektif. Foto rontgen yang dibuat pada suatu saat tertentu dapat merupakan dokumen yang abadi dari penyakit seorang penderita, dan setiap waktu dapat dipergunakan dan diperbandingkan dengan foto yang dibuat pada saat-saat lain (Rasad, 2005).
Untuk mengetahui adanya suatu kelainan pada foto rontgen, seorang dokter memerlukan sedikit latihan, tetapi untuk menilai dengan teliti suatu kelainan yang terlihat serta menarik kesimpulan yang tepat, merupakan sesuatu hal yang jauh lebih sulit dan memerlukan latihan yang lebih lama di samping pengetahuan yang mendalam tentang cabang ilmu kedokteran lainnya, terutama patologi dan ilmu penyakit dalam. Misalnya, untuk dapat melihat adanya suatu bayangan seperti lubang atau kavitas dalam paru hanya memerlukan apakah kavitas itu disebabkan
commit to user
7
oleh tuberkulosis atau suatu abses dan bukan tuberkulosis, kista kongenital, atau suatu karsinoma yang mengalami nekrosis, dan sebagainya, adalah suatu hal yang jauh lebih sulit, bahkan kadang-kadang tak mungkin dipastikan. Dalam hal seperti ini, maka hanyalah koordinasi yang baik antara hasil pemeriksaan klinis dan laboratorium dengan pemeriksaan radiologi akan dapat menunjang penegakkan diagnosis yang tepat. Kerjasama yang erat dan konsultasi yang terus-menerus antara ahli radilogi dan ahli-ahli klinis lainnya merupakan syarat mutlak untuk mencapai hasil yang sebaik-baiknya (Rasad, 2005). Gambaran dari Radiologi Efusi Pleura salah satunya ditunjukkan pada Gambar 2.1 :
Gambar 2.1 Gambaran Radiologi Efusi Pleura
2.1.3 Algoritma Fuzzy C-Means (FCM)
Fuzzy C-Means (FCM) adalah suatu teknik clustering data yang mana keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan. Teknik ini pertamakali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat (Kusumadewi & Hartati, 2006).
commit to user
8
a. Tentukan :
a) Matriks X berukuran n x m, dengan n = jumlah data yang akan dicluster, dan m = jumlah variabel (kriteria).
b) Jumlah cluster yang akan dibentuk = C ( 2). c) Pangkat pembobot = w ( 1).
d) Maksimum iterasi.
e) Toleransi error = (nilai positif yang sangat kecil). f) Iterasi awal, t = 1.
g) Kriteria penghentian 1. b. Bentuk matriks partisi awal, 0
U , sebagai berikut : n Cn C C n n n n x x x x x x x x x U 2 2 1 1 1 2 21 22 1 21 1 2 12 1 11 (1)
(Matriks partisi awal biasanya dipilih secara acak) c. Hitung pusat cluster ( V), untuk setiap cluster :
n k w k i n k j k w k i j i x V 1 , 1 , , , (2) d. Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki
matriks partisi), sebagai berikut :
1 1 1 / 2 , C j w jk ik k i d d (3) dengan : 2 / 1 1 m j ij kj i k ik d x v x v d (4)
e. Tentukan kriteria berhenti, yaitu perubahan matriks partisi pada iterasi sekarang dengan iterasi sebelumnya, sebagai berikut :
1 t t
U
commit to user
9
Apabila , maka iterasi dihentikan, namun apabila , maka naikkan iterasi (t = t+1) dan kembali ke langkah c. Pencarian nilai dapat dilakukan dengan mengambil elemen terbesar dari nilai mutlak selisih i,k t dengan i,k t 1 .
2.1.4 Algoritma Fuzzy Learning Vector Quantization (FLVQ)
Learning Vector Quantization (LVQ) merupakan salah satu metode pembelajaran pada jaringan syaraf tiruan dengan tujuan untuk melakukan pengelompokan terhadap M vektor data pelatihan menjadi C kelompok (cluster). Pada Logika Fuzzy, juga dikenal suatu metode pengelompokan data yang dikenal dengan nama Fuzzy C-Means (FCM). Integrasi antara kedua metode ini melahirkan suatu metode baru yaitu Fuzzy Learning Vector Quantization (FLVQ). FLVQ yang dikemukakan oleh Karayiannis (1997) ini merupakan algoritma FLVQ yang pertama kali diperkenalkan oleh Tsao (1994) (Kusumadewi & Hartati, 2006).
Misalkan kita memiliki M vektor data, X = {x1, x2, ..., xM}, x1 n , yang
akan dikelompokkan menjadi C cluster dengan pusat cluster di V = {v1, v2, ...,
vc}. FLVQ akan memperbaiki pusat cluster tersebut dengan perubahan sebesar
(Kusumadewi & Hartati, 2006) :
j v j M i m C i mk i j i k v x v x 1 1 ) 1 /( 1 2 1 2 ; j i v x 1 j C (6)
Dengan j adalah laju pembelajaran untuk v dan j mk adalah pangkat pembobot iterasi ke-k untuk fungsi keanggotaan yang diadopsi dari FCM.
U = ij 1 ) 1 /( 1 1 2 1 2 mk C i i j i v x v x ; mk 1 (7)
Nilai mk terletak pada interval [1,1; 7].
Adapun algoritma FLVQ adalah sebagai berikut (Kusumadewi & Hartati, 2006) :
commit to user
10
a. Tetapkan :
1) Jumlah cluster = C;
2) Pangkat pembobot = mi dan m ; f 3) Maksimum iterasi = N;
4) Toleransi error = ; 5) Iterasi awal, k = 0.
b. Tetapkan nilai awal pusat cluster secara acak, V0 = {v1,0;v2,0;...,vc,0}. c. K = k+1 d. Hitung : 1) m = mi + k ((mf-mi)/N); 2) ij,k = m m C i i j i v x v x ) 1 /( 1 1 2 1 2 ; 1 i M;1 j C. (8) 3) j,k = 1 1 , M i k ij ; 1 j C. (9) 4)
v
j,k =v
j,k 1+ , 1 1 , , i jk M i ijk k jx
v
; 1 j C. (10) 5) Ek = C j k j k j v v 1 2 1 , , (11)e. Jika (k < N) dan (Ek> ), maka ulangi langkah 3
Dimana adalah learning rate, adalah laju pembelajaran, E adalah error, v adalah pusat cluster, M adalah jumlah vektor data, dan x adalah vektor input.
2.1.5 Pengolahan Citra
2.1.5.1 Definisi Citra Digital
Secara harfiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra adalah sebuah fungsi
commit to user
11
intensitas cahaya dua dimensi f(x,y) dimana x adalah posisi baris dan y adalah posisi kolom sedangkan f adalah fungsi intensitas atau kecerahan dari citra pada koordinat (x,y). Pada umumnya citra berbentuk empat persegi panjang dan dimensi ukurannya dinyatakan sebagai (tinggi x lebar). Citra dengan tinggi N piksel, lebarnya M piksel, dan memiliki intensitas f dapat dipresentasikan sebagai suatu matriks yang berukuran N baris dan M kolom sebagai berikut (Gonzales & Woods, 2010) :
f = = (12)
Dimana f adalah fungsi matriks.
Indeks baris (x) dan indeks kolom (y) menyatakan suatu koordinat titik pada citra. Masing-masing titik (x,y) di citra disebut picture element atau piksel, sedangkan f(x,y) merupakan intensitas (derajat keabuan) pada titik (x,y) (Gonzales & Woods, 2010).
Citra hitam-putih mempunyai nilai kuantisasi derajat keabuan sampai tingkatan ke-256, artinya mempunyai skala abu dari 0 sampai 255 atau selang [0, 255] dan citra ini membutuhkan 1 byte (8 bit) untuk representasi setiap pikselnya 256 = 28 (Gonzales & Woods, 2010).
Citra biner adalah citra yang hanya mempunyai dua nilai derajat keabuan, yaitu hitam dan putih. Piksel-piksel objek bernilai satu (1) dan piksel-piksel latar belakang bernilai nol (0). Pada waktu menampilkan gambar, nol (0) adalah putih dan satu (1) adalah hitam (Gonzales & Woods, 2010).
2.1.5.2 Discrete Cosine Transform
Transformasi mengacu pada perubahan representasi gambar, yaitu dari domain spasial ke domain frekuensi. DCT (Discrete Cosine Transform) adalah transformasi matematika yang mengambil dan mengubah sinyal dari
commit to user
12
domain spasial ke dalam domain frekuensi. DCT biasanya digunakan untuk kompresi karena mampu mengurangi terjadinya perulangan piksel yang sama pada daerah yang berdekatan. DCT dimensi satu (1-D DCT) berguna untuk mengolah sinyal-sinyal dimensi satu seperti bentuk gelombang suara. Sedangkan untuk citra yang merupakan sinyal dua dimensi, diperlukan versi dua dimensi dari DCT (2-D DCT) (Syarif et al, 2012).
2-D DCT merupakan teknik yang penting untuk kompresi data. Untuk menghitung 2-D DCT adalah sebagai berikut (Orozco et al, 2012) :
N u n M u m n m f v u F M m N n v u 2 1 2 cos 2 1 2 cos ) , ( , 1 0 1 0 (13) 1 0 1 0 N v M u dimana : 0 , 1 1 1 , 2 u M M u M u (14) dan 0 , 1 1 1 , 2 u N N v N v (15)
Dimana f m,n adalah komponen spasial, M dan N adalah ukuran baris dan kolom dari f m,n dan F ,u v adalah komponen spektral.
2.1.5.3 Statistical texture features extraction
Analisis tekstur biasanya dimanfaatkan sebagai proses untuk melakukan klasifikasi dan interpretasi citra. Tekstur pada sebuah gambar ditandai dengan distribusi spasial dari gray levels di sekelilingnya. Oleh karena itu, tekstur tidak dapat didefinisikan oleh sebuah titik. Histogram dari suatu gambar
commit to user
13
memungkinkan sekilas untuk mendapatkan gambaran kasar tentang distribusi gray levels dan kontras. Fitur tekstur statistik yang diambil pada tahapan ini adalah dari histogram masing-masing foto rontgen. Hal ini dikarenakan beberapa penyakit paru memang mempengaruhi paru-paru sedemikian rupa sehingga mengakibatkan perubahan citra foto rontgen. Perubahan tesktur yang terjadi pada citra foto rontgen dapat digunakan untuk membedakan antara citra paru yang terindikasi penyakit dengan paru normal. Ada pun 6 fitur tekstur yaitu average gray level, standard deviation, smoothness, third moment, uniformity dan entropy (Angkoso et al, 2011); (Sutton & Hall, 1972); (Orozco et al, 2012); (Kurniawan et al, 2013).
Average gray level n i i x n x 1 1 (16) Standard deviation n i i N x x n S 1 2 1 ( ) 1 1 (17) Smoothness 2 1 1 1 1 N S R (18) Third moment n i i i x p x x 1 3 3 (19) Uniformity n i i x p U 1 2 (20) Entropy n i i i p x x p x H 1 2 log (21)
Dimana n adalah banyaknya pixel-pixel dalam citra, xi adalah nilai intensitas warna pada tiap pixel, dan p x adalah jumlah pixel untuk setiap intensitas pada histogram dibagi dengan jumlah pixel.
2.1.6 Min-Max Normalization
Metode Min-max normalization ini me-rescale data dari suatu range ke range baru lain. Data diskalakan dalam range 0 sampai 1. Selain memiliki misclassification errors yang kecil, Min-Max Normalization juga melindungi hubungan antara nilai data asli karena semua nilai data baru berada dalam range yang pasti. Diberikan yang bersesuaian (dalam satu kolom) {sk}, k = 1,2,..n. Maka
commit to user
14
nilai normalisasinya adalah (Jain & Bhandare, 2011) ; (Saranya & Manikandan, 2013) : k k k s s s s s min max min ' (22)
Dimana s adalah data normalisasi, ' s adalah data asli, max sk adalah nilai maksimum dari semua data asli, min sk adalah nilai minimum dari semua data asli.
2.1.7 Algoritma Possibilistic Fuzzy Learning Vector Quantization (PFLVQ)
Terinspirasi oleh algoritma Fuzzy Learning Vector Quantization (FLVQ) yang mengintegrasikan Fuzzy C-Means (FCM) dan Learning Vector Quantization (LVQ), kemudian diintegrasikan algoritma pengelompokkan Possibilistic Fuzzy C-Means (PFCM) ke dalam FLVQ dan didapatkan algoritma Possibilistic Fuzzy Learning Vector Quantization (PFLVQ) (Wu et al, 2010).
Arsitektur dari jaringan syaraf tiruan PFLVQ ditunjukkan pada Gambar 2.2 sebagai berikut : X1 X6 X5 X4 X3 X2 ||X-V1|| ||X-V2|| F1 F2 y_in1 y_in2 V11 V12 V21 V22 V31 V32 V41 V42 V51 V52 V61 V62 y1 y2
Gambar 2.2 Arsitektur jaringan PFLVQ
Pertama, didefinisikan 2 learning rates untuk PFLVQ yaitu sebagai berikut (Wu et al, 2010) : j ik , = j m j ik u , ; ik ,j = j j ik t , (23)
commit to user
15
j
m = m0 j m; m = m0 1/ jmax (24)
j = 0 j ; = 0 1/jmax (25)
Di sini derajat keanggotaan setiap data pada setiap cluster (uik,jdan tik,j) dikalkulasikan dengan persamaan sebagai berikut :
ik u = , 1 1 1 2 c j m jk ik D D ; , k i tik = 1 , 1 1 1 2 ik i D b k i, (26) i k ik x v D (27) , 0 j m m m m j dan j 0 j . (28) 1 0 0 m
m dan 0 0 1 keduanya adalah pangkat pembobot yang
merupakan konstanta positif. jmaxadalah batas iterasi. ik ,jadalah sebagai fuzzy learning rate dan ik ,j adalah typicality learning rate. Kemudian untuk bobot vektor dari PFLVQ didefinisikan sebagai berikut (Wu et al, 2010):
j i v, = n k ik j ik j n k ik j ik j k ij j i b a v x b a v , , 1 , , , 1 1 , (29)
Algoritma PFLVQ dideskripsikan sebagai berikut (Wu et al, 2010) :
Langkah 1 : Inisialisasi
a. Tentukan :
1) Jumlah cluster = C;
2) Pangkat pembobot = m0 1 dan 0 0 1 ;
3) Toleransi error = 0 ;
4) Jumlah iterasi, j 0 dan maksimal iterasi jmax ;
5) Konstanta a dan b yang merupakan keanggotaan fuzzy dan nilai tipikal, a 0 dan b 0.
commit to user
16 i = , 0 1 1 2 K u D u K n k m ik n k ik m ik untuk mendapatkan i (30)c. Inisialisasi bobot vektor secara acak, v0 v1,0,v2,0,...,vc,0 Rcp
Langkah 2 : Pengulangan
a. Hitung semua learning rate ik ,j dan ik ,j dengan persamaan (23), (24), (25), dan (26).
b. Lakukan update bobot vektor vi,j dengan persamaan (29). c. Tambah nilai j
Langkah 3 : Ulangi sampai vj vj1 atau j jmax
Dimana n adalah jumlah data yang akan dicluster dan x adalah vector input.
2.2 Penelitian Terkait
Penelitian sebelumnya yang pernah dilakukan yang berkaitan dengan penelitian tugas akhir ini yang pertama adalah penelitian terhadap karakteristik penderita efusi pleura yang ada pada RSUP H. Adam Malik Medan yang dilakukan oleh Tobing & Widirahardjo (2011). Penelitian tersebut dilakukan menggunakan metode cross-sectional dan deskriptif. Perbedaan dengan penelitian ini adalah pada penelitian tersebut hanya meneliti karakteristik penderita efusi pleura yang ada pada RSUP H. Adam Malik Medan, sedangkan pada penelitian ini membuat sistem untuk mendiagnosa penyakit efusi pleura yang menggunakan algoritma PFLVQ.
Penelitian lain yang berkaitan adalah penelitian yang dilakukan oleh Utomo (2012) tentang pembuatan sistem diagnosa penyakit paru berdasarkan foto rontgen. Perbedaan dengan penelitian ini adalah pada penyakit yang didiagnosa dan algoritma yang digunakan. Penyakit yang didiagnosa pada penelitian tersebut adalah efusi pleura parapneumonia dan algoritma yang digunakan adalah Fast Fourier Transform (FFT) dan Fuzzy Learning Vector Quantization (FLVQ). Sedangkan pada penelitian ini penyakit yang didiagnosa adalah efusi pleura dan algoritma yang digunakan adalah Discrete Cosine Transform (DCT), Statistical texture features extraction, dan PFLVQ.
commit to user
17
Penelitian terkait lainnya adalah penelitian yang dilakukan oleh Bisri et al (2013) tentang klasifikasi citra paru yang diklasifikasikan ke dalam 3 klasifikasi yaitu paru-paru normal, berpenyakit kanker, dan efusi. Penelitian tersebut menggunakan Ekstraksi Fitur Histogram dan jaringan syaraf tiruan Backpropagation. Perbedaan dengan penelitian ini adalah pada algoritma yang digunakan, pada penelitian tersebut menggunakan algoritma Ekstraksi Fitur Histogram dan jaringan syaraf tiruan Backpropagation, sedangkan pada penelitian ini algoritma yang digunakan adalah Discrete Cosine Transform (DCT), Statistical texture features extraction, dan PFLVQ.
Penelitian sebelumnya yang berkaitan juga dengan penelitian ini adalah penelitian yang dilakukan oleh Orozco et al (2012) mengenai klasifikasi citra paru. Perbedaan dengan penelitian ini adalah pada penelitian tersebut algoritma yang digunakan untuk mengubah gambar ke dalam domain frequensi menggunakan algoritma Discrete Cosine Transform (DCT) dan Fast Fourier Transform (FFT) serta algoritma untuk pengklasifikasiannya menggunakan algoritma Support Vector Machine. Sedangkan pada penelitian ini algoritma yang digunakan untuk mengubah gambar ke dalam domain frequensi hanya menggunakan algoritma Discrete Cosine Transform (DCT) dan algoritma yang digunakan untuk pengklasifikasian menggunakan algoritma PFLVQ.
Penelitian lainnya yang berkaitan adalah penelitian yang dilakukan oleh Wu et al (2010). Penelitian tersebut mengusulkan algoritma Possibilistic Fuzzy Learning Vector Quantization (PFLVQ) yang merupakan integrasi dari model Possibilistic Fuzzy C-Means (PFCM) ke dalam algoritma FLVQ. Perbedaan dengan penelitian ini adalah pada penelitian tersebut melakukan eksperimen pada data set X12 untuk
membandingkan akurasi dari algoritma PFLVQ dan algoritma FLVQ. Sedangkan pada penelitian ini algoritma PFLVQ digunakan untuk melakukan diagnosa penyakit paru efusi pleura yang kemudian hasil akurasinya juga dibandingkan dengan FLVQ.
Berikut ini akan digambarkan dengan tabel penelitian-penelitan terkait sebelumnya dan rencana penelitian yang akan dilakukan.
commit to user
18
Tabel 2.1 Penelitian Terkait Sebelumnya dan Rencana Penelitian
No. Judul Penelitian Metode Kasus Tahun
Penelitian
1. Karakteristik Penderita Efusi Pleura di RSUP H. Adam Malik Medan
cross-sectional dan deskriptif Mengetahui karakteristik penderita Efusi Pleura di bagian paru. 2011 2. Sistem Diagnosa Penyakit Paru Berdasarkan Foto Rontgen Dengan Pendekatan Fuzzy Learning Vector Quantization
Fast Fourier Transform (FFT) dan Fuzzy Learning Vector Quantization (FLVQ) Diagnosa Penyakit Paru Efusi Pleura Parapneumonia Berdasarkan Foto Rontgen 2012
3. Klasifikasi Citra Paru-Paru dengan Ekstraksi
Fitur Histogram dan Jaringan Syaraf Tiruan Backpropagation Ekstraksi Fitur Histogram dan Backpropagation Klasifikasi citra paru-paru (paru-paru normal, berpenyakit kanker, dan efusi) 2013 4. Lung Nodule Classification in Frequency Domain Using Support Vector
Machines
Discrete Cosine Transform (2D-DCT), Fast Fourier Transform
(2D-FFT), Statistical texture features extraction, Support Vector Machines Klasifikasi citra paru (kanker paru) dengan gambar CT Thorax dalam domain frequensi 2012
commit to user
19
No. Judul Penelitian Metode Kasus Tahun
Penelitian 5. Possibilistic Fuzzy Learning Vector Quantization Possibilistic Fuzzy Learning Vector Quantization (PFLVQ)
dan Fuzzy Learning Vector Quantization (FLVQ) Eksperimen data set X12 untuk membandingkan akurasi algoritma PFLVQ dan FLVQ 2010 6. Diagnosa Penyakit
Paru Efusi Pleura Dengan Pendekatan Possibilistic Fuzzy Learning Vector Quantization Discrete Cosine Transform (DCT), Statistical texture features extraction, dan Possibilistic Fuzzy
Learning Vector Quantization (PFLVQ) Diagnosa Penyakit Paru Efusi Pleura Berdasarkan Foto Rontgen 2014
