KLASIFIKASI STADIUM KANKER PARU-PARU MENGGUNAKAN MODEL RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) DAN PREPROCESSING DENGAN OPERASI TITIK

Mandadara, Chumairoh Luthfi Ratih and Wutsqa, Dhoriva Urwatul (2016) KLASIFIKASI STADIUM KANKER PARU-PARU MENGGUNAKAN MODEL RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) DAN PREPROCESSING DENGAN OPERASI TITIK. S1 thesis, UNY.

[img]
Preview
Text
BAB 1 PENDAHULUAN.pdf

Download (179kB) | Preview
[img]
Preview
Text
BAB II KAJIAN TEORI.pdf

Download (559kB) | Preview
[img]
Preview
Text
DAFTAR PUSTAKA.pdf

Download (171kB) | Preview

Abstract

Kanker paru merupakan salah satu penyebab kematian utama di seluruh dunia, sehingga diperlukan deteksi dini untuk mengetahui kemungkinan adanya kanker pada paru-paru. Perangkat lunak yang umum digunakan untuk mendiagnosis penyakit kanker adalah Neural Network (NN). Salah satu model NN adalah Radial Basis Function Neural Network (RBFNN). RBFNN adalah model dari NN yang mentransformasikan input secara nonlinear dengan menggunakan fungsi aktivasi Gaussian pada lapisan tersembunyi sebelum diproses secara linear di lapisan output. Penelitian ini bertujuan untuk menjelaskan langkah-langkah klasifikasi kanker paru-paru dengan operasi titik menggunakan citra foto paru. Tujuan yang lain adalah untuk mengetahui tingkat akurasi sistem dengan dan tanpa operasi titik. Langkah-langkah klasifikasi kanker paru-paru menggunakan model RBFNN adalah preprocessing citra, ekstraksi citra, menentukan variabel input dan target, pembagian data input, normalisasi data, pembelajaran RBFNN menggunakan K-means clustering, fungsi aktivasi Gaussian, dan globalridge regression, dan kriteria GCV. Preprocessing citra dilakukan untuk mendapatkan kualitas citra yang lebih baik dengan menggunakan operasi titik intensity adjustment. Ekstraksi citra dengan metode Gray Level Co-occurrence Matrix (GLCM) untuk mendapatkan parameter yang digunakan sebagai input. Input berasal dari 13 parameter hasil ekstraksi, sedangkan target berasal dari diagnosa masing-masing citra foto paru. Pembagian data menggunakan 80% data training dan 20% data testing. Pada pembelajaran RBFNN menggunakan K-means clustering untuk menentukan nilai pusat dan jarak yang akan digunakan pada lapisan tersembunyi. Banyak neuron tersembunyi ditentukan dengan metode trial and error. Globalridge regression digunakan untuk menentukan bobot optimum sehingga akan didapatkan akurasi yang lebih baik, dan kriteria Generalised Cross-Validation (GCV) digunakan untuk menghitung prediksi error. Berdasarkan langkah-langkah klasifikasi kanker paru-paru menggunakan model RBFNN, diperoleh model RBFNN terbaik dengan 13 variabel input, 8 neuron tersembunyi, dan 2 neuron pada lapisan output. Tingkat keakurasian dengan model RBFNN tanpa menggunakan operasi titik, yaitu sebesar 88,75% pada data training dan 60% pada data testing. Sedangkan keakurasian dengan operasi titik intensity adjustment mencapai 88,75% pada data training dan 80% pada data testing. Kata Kunci : kanker paru-paru, radial basis function neural network (RBFNN), K-means, operasi titik.

Item Type: Thesis (S1)
Subjects: Matematika dan Ilmu Pengetahuan Alam > Matematika
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Matematika
Depositing User: Jurusan Pendidikan Matematika
Date Deposited: 25 Jul 2016 07:02
Last Modified: 30 Jan 2019 09:53
URI: http://eprints.uny.ac.id/id/eprint/36790

Actions (login required)

View Item View Item