Setiadi, Rahmada Putri and Wutsqa, Dhoriva Urwatul (2016) KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK. S1 thesis, Fakultas Matematika dan IPA.
|
Text
SKRIPSI RAHMADA-BAB I.pdf Download (197kB) | Preview |
|
|
Text
SKRIPSI RAHMADA-BAB II.pdf Download (868kB) | Preview |
|
![]() |
Text
SKRIPSI RAHMADA-BAB III.pdf Restricted to Registered users only Download (1MB) |
|
![]() |
Text
SKRIPSI RAHMADA-BAB IV.pdf Restricted to Repository staff only Download (92kB) |
|
|
Text
SKRIPSI RAHMADA-DAFTAR PUSTAKA.pdf Download (192kB) | Preview |
|
![]() |
Text
SKRIPSI RAHMADA-Halaman Romawi.pdf Restricted to Registered users only Download (1MB) |
|
![]() |
Text
SKRIPSI RAHMADA-LAMPIRAN.pdf Restricted to Repository staff only Download (2MB) |
Abstract
Kanker payudara menjadi ancaman yang mematikan bagi semua wanita di seluruh dunia. Oleh karena itu, deteksi kanker sejak dini perlu dilakukan sehingga kanker payudara dapat lebih mudah ditangani. Fuzzy Neural Network (FNN) merupakan salah satu metode yang dapat digunakan untuk klasifikasi stadium kanker payudara. Penelitian ini bertujuan untuk menjelaskan prosedur dan hasil klasifikasi stadium kanker payudara menggunakan model FNN dengan dan tanpa operasi titik intensity adjustment. Prosedur awal klasifikasi kanker payudara menggunakan FNN adalah melakukan preprocessing citra mammogram payudara dengan cara memotong citra, menghilangkan background hitam, dan melakukan operasi titik intensity adjustment. Setelah itu dilakukan ekstraksi citra mammogram untuk mendapatkan parameter-parameter statistik, yaitu kontras, korelasi, energi, homogenitas, entropi, sum of squares, inverse difference moment, sum average, sum entropy, sum variance, difference variance, difference entropy, probabilitas maksimum, dan dissimilarity. Variabel input yang digunakan adalah hasil fuzzifikasi parameter-parameter hasil ekstraksi citra menggunakan fungsi keanggotaan trapesium dan variabel output adalah hasil klasifikasi kanker payudara. Pembagian data menjadi dua, yaitu 80% data training dan 20% data testing. Sebelum dilakukan pembelajaran, input fuzzy dinormalisasi. Pembentukan model terbaik dilakukan menggunakan algoritma pembelajaran backpropagation dengan menentukan banyaknya neuron terbaik pada lapisan tersembunyi yang menghasilkan nilai akurasi tertinggi. Fungsi aktivasi yang digunakan adalah sigmoid biner pada lapisan input dan linear pada lapisan tersembunyi. Selanjutnya, denormalisasi dilakukan untuk mengembalikan nilai output jaringan ke nilai yang sebenarnya. Hasil klasifikasi stadium kanker payudara menggunakan model FNN dengan operasi titik menunjukkan nilai akurasi, sensitivitas, dan spesifisitas secara berurutan adalah 100%, 100%, dan 100% untuk data training dan 79,1667%, 87,5%, dan 100% untuk data testing, sedangkan hasil tanpa operasi titik adalah 100%, 100%, dan 100% untuk data training dan 54,1667%, 87,5%, dan 12,5% untuk data testing.
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Fuzzy Neural Nework (FNN), Backpropagation, klasifikasi, kanker payudara, operasi titik |
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: | 05 Oct 2016 04:24 |
Last Modified: | 30 Jan 2019 11:10 |
URI: | http://eprints.uny.ac.id/id/eprint/41898 |
Actions (login required)
![]() |
View Item |