Maruroh, Marwah and Wutsqa, Dhoriva Urwatul (2016) KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL. S1 thesis, UNY.
|
Text
SKRIPSI MARWAH - BAB I.pdf Download (247kB) | Preview |
|
|
Text
SKRIPSI MARWAH - BAB II.pdf Download (1MB) | Preview |
|
![[img]](https://eprints.uny.ac.id/style/images/fileicons/text.png) |
Text
SKRIPSI MARWAH - BAB III.pdf Restricted to Repository staff only Download (854kB) |
|
|
Text
SKRIPSI MARWAH - BAB IV.pdf Restricted to Repository staff only Download (104kB) |
|
|
Text
SKRIPSI MARWAH - DAFTAR PUSTAKA.pdf Download (219kB) | Preview |
|
|
Text
SKRIPSI MARWAH - LAMPIRAN.pdf Restricted to Repository staff only Download (3MB) |
|
|
Text
SKRIPSI MARWAH - Romawi.pdf Restricted to Repository staff only Download (3MB) |
Abstract
Deteksi dini dan diagnosa untuk mengetahui kemungkinan adanya kanker serviks pada wanita perlu dilakukan untuk menekan angka kematian yang disebabkan kanker serviks. Salah satu model klasifikasi yang dapat digunakan untuk proses diagnosa kanker serviks adalah neural network dengan algoritma pembelajaran backpropagation. Penelitian ini bertujuan untuk menjelaskan prosedur, hasil penerapan, serta tingkat ketepatan model Backpropagation Neural Network (BPNN) untuk klasifikasi kanker serviks dengan operasi spasial menggunakan citra kolposkopi. Prosedur klasifikasi kanker serviks dengan BPNN adalah preprocessing citra, ekstraksi fitur, pendefinisian variabel input dan target jaringan, pembagian data input, normalisasi data, perancangan model terbaik dan denormalisasi data. Preprocessing citra menggunakan operasi spasial dilakukan untuk memperbaiki kualitas citra sebelum digunakan untuk pembelajaran jaringan. Variabel input yang digunakan adalah 13 fitur hasil ekstraksi citra menggunakan metode GLCM, sedangkan target jaringan berupa diagnosa masing-masing foto kolposkopi serviks. Selanjutnya data input dibagi berdasarkan ukuran komposisi data 80% data training dan 20% data testing. Proses normalisasi data perlu dilakukan sebelum pembelajaran agar terjadi sinkronisasi data. Perancangan model terbaik menggunakan algoritma pembelajaran backpropagation dilakukan untuk mendapatkan model terbaik dengan akurasi tertinggi. Perancangan model terbaik dilakukan dengan menentukan banyaknya neuron pada lapisan tersembunyi yang sesuai. Output pembelajaran yang diperoleh kemudian didenormalisasi untuk mengembalikan nilai output ke bentuk aslinya. Penelitian ini menggunakan fungsi aktivasi sigmoid bipolar pada lapisan tersembunyi dan fungsi linear pada lapisan output, serta menggunakan fungsi pembelajaran jaringan traingdx. Model BPNN terbaik yang diperoleh untuk klasifikasi kanker serviks dengan menggunakan software Matlab adalah dengan 13 neuron input, satu lapisan tersembunyi dengan 10 neuron dan 1 neuron output. Tingkat ketepatan model BPNN terbaik diukur melalui nilai sensitivitas, spesifisitas, dan akurasi. Berdasarkan model terbaik, diperoleh ketiga nilai statistik tersebut secara berurutan adalah 100%, 100%, dan 100% untuk data training serta 100%, 100%, dan 88,24% untuk data testing. Kata Kunci : citra kolposkopi, neural network, backpropagation, klasifikasi kanker serviks, operasi spasial, Matlab.
| 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: | 09 Dec 2016 03:12 |
| Last Modified: | 30 Jan 2019 12:11 |
| URI: | http://eprints.uny.ac.id/id/eprint/44464 |
Actions (login required)
 |
View Item |