Melola Discovery

← Melola Discovery

Akses terbuka Jurnal

CLASSIFICATION ANALYSIS OF BRAIN TUMOR DISEASE IN RADIOGRAPHIC IMAGES USING SUPPORT VECTOR MACHINES (SVM) WITH PYTHON

JOURNAL ONLINE OF PHYSICS · Vol. 9 No. 3 (2024) · hlm. 110–115

DOI
10.22437/jop.v9i3.36270
ISSN
2502-2016
Terbit
2024-08-07
Penerbit
Prodi Fisika FST UNJA
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

This research examines the analysis of brain tumor disease classification using radiographic images using the Python-based Support Vector Machines (SVM) method. Data was collected from the Kaggle platform with four main categories of brain tumors: normal, pituitary, glioma, and meningioma. The data is then processed, including cleaning, pixel intensity normalization, and feature extraction to distinguish brain tumor characteristics. The data were visualized to understand the distribution and characteristics of the tumor. With the implementation of Python, visual analysis becomes efficient. The SVM model was trained and evaluated, showing an accuracy of 90% with good evaluation metrics such as MAE, MSE, RMSE, and F1-SCORE. The results show that SVM has excellent potential as a diagnostic tool to support the identification and treatment of brain tumors.

Kata kunci

Jaringan kolaborasi para penulis

40 penulis · 170 tautan kepenulisan bersama · 1 lintas organisasi · menampilkan 40 yang paling banyak terhubung

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Muslim Indonesia
  • Universitas Jambi
  • Sekolah Tinggi Agama Buddha Negeri Raden Wijaya Wonogiri
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
M. Ficky AfriantoAfiliasi tidak diketahui12
Mardian PeslinofAfiliasi tidak diketahui10
Frastica DeswardaniAfiliasi tidak diketahui8
Alrizal AlrizalAfiliasi tidak diketahui8
Samsidar SamsidarUniversitas Muslim Indonesia7
Tika RestianingsihAfiliasi tidak diketahui6
Linda HandayaniAfiliasi tidak diketahui6
Iful AmriAfiliasi tidak diketahui5
Rustan RustanAfiliasi tidak diketahui4
Rista Mutia AnggrainiAfiliasi tidak diketahui3
Cindy Nur SyaqilaAfiliasi tidak diketahui3
Ilham Jaya WindhanuAfiliasi tidak diketahui3
Benedika Ferdian HutabaratUniversitas Jambi2
. SamsidarAfiliasi tidak diketahui2
RustanAfiliasi tidak diketahui2
Fairuz Athaya zahran Tane TaneAfiliasi tidak diketahui2
Nurhidayah NurhidayahAfiliasi tidak diketahui1
Nurhidayah NurhidayahAfiliasi tidak diketahui1
Nurhidayah NurhidayahAfiliasi tidak diketahui1
Sherli YurinandaAfiliasi tidak diketahui1
NurhidayahAfiliasi tidak diketahui1
Faizar FaridAfiliasi tidak diketahui1
Nurhidayah NurhidayahAfiliasi tidak diketahui1
Nurhidayah NurhidayahAfiliasi tidak diketahui1
Heriyanti HeriyantiAfiliasi tidak diketahui1
Sutrisno SutrisnoSekolah Tinggi Agama Buddha Negeri Raden Wijaya Wonogiri1
Desi AyundariAfiliasi tidak diketahui1
Nurhidayah NurhidayahAfiliasi tidak diketahui1
Ardiyaningsih Puji LestariAfiliasi tidak diketahui1
Benedika Ferdian HutabaratAfiliasi tidak diketahui1
Regita KharismaAfiliasi tidak diketahui1
Chintiya RomartiAfiliasi tidak diketahui1
Rista Mutia AnggrainiAfiliasi tidak diketahui1
Dawam SuprayogiAfiliasi tidak diketahui1
Roedearni Ananda Putri PurbaAfiliasi tidak diketahui1
Dwi Rahmah AmandaAfiliasi tidak diketahui1
Debby Mustika RaniAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://online-journal.unja.ac.id/index.php/jop/oai, pertama di-harvest 6 Nov 2026, terakhir terlihat 8 Nov 2026.
Metadata asli (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">CLASSIFICATION ANALYSIS OF BRAIN TUMOR DISEASE IN RADIOGRAPHIC IMAGES USING SUPPORT VECTOR MACHINES (SVM) WITH PYTHON</dc:title>
	<dc:creator xml:lang="en">Ananda, Jihan Suci </dc:creator>
	<dc:creator xml:lang="en">Fendriani, Yoza</dc:creator>
	<dc:creator xml:lang="en">Pebralia, Jesi </dc:creator>
	<dc:subject xml:lang="en">brain tumor, radiographic images, Support Vector Machines (SVM), Phython.</dc:subject>
	<dc:description xml:lang="en">This research examines the analysis of brain tumor disease classification using radiographic images using the Python-based Support Vector Machines (SVM) method. Data was collected from the Kaggle platform with four main categories of brain tumors: normal, pituitary, glioma, and meningioma. The data is then processed, including cleaning, pixel intensity normalization, and feature extraction to distinguish brain tumor characteristics. The data were visualized to understand the distribution and characteristics of the tumor. With the implementation of Python, visual analysis becomes efficient. The SVM model was trained and evaluated, showing an accuracy of 90% with good evaluation metrics such as MAE, MSE, RMSE, and F1-SCORE. The results show that SVM has excellent potential as a diagnostic tool to support the identification and treatment of brain tumors.</dc:description>
	<dc:publisher xml:lang="en">Prodi Fisika FST UNJA</dc:publisher>
	<dc:date>2024-08-07</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://online-journal.unja.ac.id/jop/article/view/36270</dc:identifier>
	<dc:identifier>10.22437/jop.v9i3.36270</dc:identifier>
	<dc:source xml:lang="en">JOURNAL ONLINE OF PHYSICS; Vol. 9 No. 3 (2024): JOP (Journal Online of Physics) Vol 9 No 3; 110-115</dc:source>
	<dc:source>2502-2016</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://online-journal.unja.ac.id/jop/article/view/36270/18736</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2024 Jihan Suci  Ananda, Yoza Fendriani, Jesi  Pebralia</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>