Optimasi parameter Support Vector Machine (SVM) classifier menggunakan Firefly Algorithm (FFA) optimization untuk klasifikasi MRI tumor otak

Penyakit tidak menular yang sering menjadi penyebab kematian di dunia, salah satunya adalah tumor otak. Selain itu, tumor otak juga menjadi tumor dengan tingkat keganasan kedua setelah tumor darah (leukemia). Penyakit tumor otak berdampak pada penurunan kualitas hidup penderitanya, mengakibatkan beban sosial dan ekonomi bagi negara, keluarga, dan masyarakat. Pada penelitian ini, dilakukan pengolahan citra digital untuk mengklasifikasikan tumor otak dan otak normal sebagai diagnosa penyakit tumor otak. Proses yang dilakukan pada citra digital yaitu pre-processing dengan histogram equalization dan median filter. Selanjutnya dilakukan ekstraksi fitur dengan GLCM dan klasifikasi menggunakan FFA-SVM. Penelitian dilakukan pada 120 data MRI otak dengan proses learning menggunakan metode k-fold dengan k = 5. Berdasarkan pada proses learning FFA-SVM, diperoleh dua model terbaik, yaitu FFA-SVM kernel RBF dengan C = 1874.654 dan γ = 19.191 dan FFA-SVM kernel polynomial dengan C = 1796.125, γ = 19.765, r = 0.0005 dan d = 6.956. Berdasarkan confusion matrix, akurasi dari kedua model yang didapatkan sebesar 95.83%. Berdasarkan waktu komputasi pada sistem, FFA-SVM kernel RBF meghasilkan waktu sebesar 0.016 detik dan FFA-SVM kernel polynomial menghasilkan waktu sebesar 4.784 detik.