DIAGNOSA KANKER OTAK MENGGUNAKAN RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN)

Imawati, Dewi and Abadi, Agus Maman (2017) DIAGNOSA KANKER OTAK MENGGUNAKAN RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN). S1 thesis, UNY.

[img] Text
8. ABSTRAK.docx

Download (19kB)
[img]
Preview
Text
BAB 1.pdf

Download (34kB) | Preview
[img]
Preview
Text
BAB II.pdf

Download (1MB) | Preview
[img]
Preview
Text
BAB III.pdf

Download (60kB) | Preview
[img] Text
BAB IV.pdf
Restricted to Repository staff only

Download (334kB)
[img] Text
BAB V.pdf
Restricted to Repository staff only

Download (22kB)
[img]
Preview
Text
DAFTAR PUSTAKA DAN LAMPIRAN.pdf

Download (4MB) | Preview
[img] Text
HALAMAN DEPAN.pdf
Restricted to Repository staff only

Download (728kB)
[img] Text
SAMPUL.pdf
Restricted to Repository staff only

Download (20kB)

Abstract

Kanker otak merupakan salah satu kanker berbahaya yang dapat menyerang siapapun. Oleh karena itu, deteksi dini perlu dilakukan agar kanker otak dapat ditangani dengan cepat. Radial basis function Neural Network adalah salah satu model Neural Network yang dapat digunakan untuk diagnosa kanker otak. Penelitian ini bertujuan untuk menjelaskan prosedur dan mengetahui ketepatan hasil diagnosa kanker otak menggunakan model RBFNN. Penelitian ini menggunakan 114 data citra Magnetic Resonance Imange otak. Prosedur diagnosa kanker otak menggunakan RBFNN adalah melakukan pengolahan citra berupa cropping dan penghilangan background hitam. Kemudian dilakukan ekstraksi citra untuk mendapatkan fitur citra, yakni energi, kontras, korelasi, sum of squares, IDM, sum average, sum variance, sum entropy, entropi, difference variance, difference entropy, probabilitas maksimum, homogenitas, dan dissimilarity menggunakan Gray Lever Co-occurance Matrix. Variabel input berupa 14 fitur hasil ekstrasi citra dan variabel output berupa vektor yang mewakili klasifikasi kanker otak. Pembagian data dibagi menjadi 2, yakni 90 data training dan 24 data testing. Sebelum dilakukan pembelajaran, data dinormalisasi. Pembentukan model terbaik dilakukan dengan menentukan banyaknya neuron lapisan tersembunyi yang menghasilkan akurasi tertinggi dan menentukan bobot dengan kriteria Generalised Cross-Validation pada Global Ridge Regression. Fungsi aktivasi lapisan tersembunyi adalah Gaussian. Diagnosa kanker otak menggunakan modal RBFNN menghasilkan jaringan terbaik dengan 14 neuron lapisan input, 10 neuron lapisan tersembunyi, dan 1 neuron lapisan output. Ketepatan hasil diagnosa dilihat dari nilai sensitivitas, spesifisitas, dan akurasi. Nilai sensitivitas, spesifisitas, dan akurasi pada data training secara berurutan adalah 84,4444%, 82,2222%, dan 83,3333%, sedangkan 100%, 83,3333%, dan 91,6666% untuk data testing. Kata kunci: Radial Basis Function Neural Network, gray Lever Co-occurance matrix, diagnosa kanker otak.

Item Type: Thesis (S1)
Subjects: Matematika dan Ilmu Pengetahuan Alam > Matematika
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Matematika > Matematika
Depositing User: Jurusan Pendidikan Matematika
Date Deposited: 11 Aug 2017 07:05
Last Modified: 11 Aug 2017 07:05
URI: http://eprints.uny.ac.id/id/eprint/51770

Actions (login required)

View Item View Item