Farhan, Alvin and Wutsqa, Dhoriva Urwatul (2017) KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN). S1 thesis, UNY.
|
Text
BAB I alvin.pdf Download (143kB) | Preview |
|
|
Text
BAB II alvin.pdf Download (574kB) | Preview |
|
![[img]](https://eprints.uny.ac.id/style/images/fileicons/text.png) |
Text
BAB III alvin.pdf Restricted to Repository staff only Download (592kB) |
|
|
Text
BAB IV alvin.pdf Restricted to Repository staff only Download (22kB) |
|
|
Text
COVER.pdf Restricted to Repository staff only Download (1MB) |
|
|
Text
DAFTAR PUSTAKA.pdf Download (141kB) | Preview |
|
|
Text
LAMPIRAN alvin.pdf Restricted to Repository staff only Download (2MB) |
Abstract
Kanker paru merupakan salah satu jenis kanker yang dalam beberapa dekade ini menjadi salah satu penyebab utama kematian pada semua kasus kanker di seluruh dunia. Oleh karena itu, deteksi kanker paru sejak dini perlu dilakukan untuk menekan kasus kematian pada kanker paru. Self-Organizing Maps Radial Basis Function Neural Networks (SOM-RBFNN) merupakan gabungan model jaringan saraf tiruan dan Self-Organizing Maps clustering yang dapat digunakan untuk mengklasifikasi citra paru. Penelitian ini bertujuan untuk menjelaskan langkah-langkah pembentukan model RBFNN dan ketepatan hasil klasifikasi citra paru menggunakan model RBFNN. Prosedur awal pembentukan model RBFNN untuk mengklasifikasi citra paru adalah preprocessing citra dengan perubahan format citra, penghilangan background citra, perubahan citra ke dalam bentuk grayscale dan perubahan ukuran pixel. Setelah itu dilakukan ekstraksi citra menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk mendapatkan parameter statistik, yaitu contrast, correlation, energy, homogeneity, sum entropy, sum of square variance, invers difference moment, sum average, sum variance, entropy, difference entropy, maximum probability, dan dissimiliraity entropy. Selanjutnya, membagi 125 data menjadi 2 bagian yaitu 80% data training sebanyak 100 data dan 20% data testing sebanyak 25 data. Variabel input yang digunakan adalah 13 fitur hasil ekstraksi metode GLCM dan variabel output adalah klasifikasi dari citra paru. Pada pembelajaran RBFNN terbagi menjadi 3 tahap, yaitu melakukan normalisasi data input dari 13 fitur, menentukan nilai pusat dan jarak dari fungsi aktivasi gaussian dengan menggunakan SOM Kohonen clustering, menentukan jumlah neuron pada lapisan tersembunyi, dan menentukan bobot-bobot jaringan dengan menggunakan pendekatan yaitu metode Global Ridge Regression. Berdasarkan langkah-langkah pembentukan model RBFNN untuk mengklasifikasi citra paru, diperoleh hasil model RBFNN terbaik dengan 13 neuron pada lapisan input fitur, 5 neuron serta 1 neuron bias pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Tingkat persentase sensitivitas, spesifisitas, dan akurasi model RBFNN secara berurutan adalah 95%, 91%, 93% untuk data training dan 85%, 92%, 88% untuk data testing. Kata Kunci : Kanker Paru, Klasifikasi, Radial Basis Function Neural Network (RBFNN), Self-Organizing Maps clustering, Global Ridge Regression.
| 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: | 24 Jul 2017 02:01 |
| Last Modified: | 30 Jan 2019 14:33 |
| URI: | http://eprints.uny.ac.id/id/eprint/50950 |
Actions (login required)
 |
View Item |