Efektivitas K-Means Clustering dan GMM dalam Menentukan Klaster Organ dan Jaringan Kanker Pada Paru-paru Berdasarkan Nilai HU CT Thorax

Abstract

Penelitian ini membandingkan efektivitas dua algoritma klasterisasi, Gaussian Mixture Model (GMM) dan K-Means, dalam mengelompokkan jaringan pada citra CT scan toraks dengan diagnosis adenokarsinoma berdasarkan nilai Hounsfield Unit (HU). Dalam penelitian ini, nilai HU yang mewakili berbagai jenis jaringan, seperti udara, lemak, otot, dan tulang, diekstraksi dan diklasifikasikan menggunakan kedua algoritma tersebut. GMM menggunakan pendekatan probabilistik yang lebih fleksibel dalam menangani variasi densitas jaringan, sementara K-Means bekerja dengan memisahkan data berdasarkan jarak terdekat dari pusat klaster. Hasil menunjukkan bahwa GMM memberikan performa klasterisasi yang lebih unggul dengan Silhouette Score 0,7447, dibandingkan dengan K-Means yang memperoleh skor 0,70. GMM mampu memisahkan jaringan yang lebih kompleks dengan akurasi lebih tinggi, khususnya pada jaringan dengan nilai HU yang tumpang tindih, seperti jaringan otot dan adenokarsinoma. Oleh karena itu, GMM dinilai lebih efektif dan andal untuk analisis segmentasi pada data medis yang kompleks, seperti diagnosis kanker paru-paru berbasis citra CT scan.