OPTIMASI ATURAN FUZZY DALAM SISTEM FUZZY SUGENO ORDE NOL DENGAN FUZZY C-MEANS CLUSTERING PADA DIAGNOSIS KANKER OTAK

Cahyaningsih, Dwi and Abadi, Agus Maman (2017) OPTIMASI ATURAN FUZZY DALAM SISTEM FUZZY SUGENO ORDE NOL DENGAN FUZZY C-MEANS CLUSTERING PADA DIAGNOSIS KANKER OTAK. S1 thesis, UNY.

[img] Text
ABSTRAK.docx

Download (15kB)
[img] Text
AWAL.pdf
Restricted to Repository staff only

Download (4MB)
[img]
Preview
Text
BAB I.pdf

Download (198kB) | Preview
[img]
Preview
Text
BAB II.pdf

Download (890kB) | Preview
[img]
Preview
Text
BAB III.pdf

Download (194kB) | Preview
[img] Text
BAB IV.pdf
Restricted to Registered users only

Download (1MB)
[img] Text
BAB V.pdf
Restricted to Repository staff only

Download (183kB)
[img]
Preview
Text
DAFTAR PUSTAKA.pdf

Download (413kB) | Preview
[img] Text
LAMPIRAN.pdf
Restricted to Registered users only

Download (693kB)

Abstract

Kanker otak adalah salah satu jenis kanker yang terjadi di Indonesia dengan tingkat kematian yang cukup tinggi dengan angka kejadian 1,9 per 100.000 penduduk pada tahun 2012, sedangkan angka mortalitas kanker otak sebanyak 1,3 per 100.000 penduduk. Oleh karena itu, diperlukan adanya deteksi dini dan diagnosis kanker otak. Salah satu cara untuk mendeteksi kanker otak adalah dengan magnetic resonance images (MRI). Tujuan dari penelitian ini adalah menjelaskan langkah-langkah penerapan fuzzy c-means clustering pada sistem fuzzy sugeno orde nol untuk diagnosis kanker otak dan mengetahui tingkat ketepatan dari sistem fuzzy sugeno orde nol. Penelitian ini menggunakan 114 data hasil ekstraksi data MRI yang terdiri dari 90 data latih dan 24 data uji. Sistem fuzzy yang digunakan adalah sistem fuzzy sugeno orde nol dengan 14 variabel input, yaitu contrast, correlation, dissimilarity, energy, entropy, homogeneity, max. probability, sum of squares, sum average, sum variance, sum entropy, diff. variance, diff. entropy, IDM. Sedangkan outputnya terbagi menjadi dua, yaitu otak normal dan otak kanker. Untuk mengoptimalkan keakurasian sistem maka digunakan fuzzy c-means clustering dalam membangun aturan fuzzy dan metode weight average untuk proses defuzzifikasi. Data latih dikelompokkan menjadi 50 cluster menggunakan fuzzy c-means clustering, kemudian hasil keluarannya berupa pusat cluster digunakan untuk membangun aturan fuzzy. Tingkat keakurasian, sensitivitas, dan spesifikasi dari sistem fuzzy sugeno orde nol masing-masing 92,22%, 93,33%, dan 91,11% untuk data latih. Untuk data uji dihasilkan keakurasian 75%, sensitivitas 50%, dan spesifikasi 100%. Keakurasian, sensitivitas, dan spesifikasi menggunakan Radial Basis Function Neural Network (RBFNN) untuk data latih masing-masing 83,33%, 82,9789%, 86,0465%, sedangkan pada data uji dihasilkan keakurasian 91,66%, sensitivitas 85,7142%, dan spesifikasi 100%. Bila dibandingkan dengan penelitian sebelumnya, hasil yang diperoleh untuk data latih dapat dikatakan lebih baik, sedangkan untuk data uji hasil yang diperoleh dengan metode RBFNN lebih baik dan untuk sistem sugeno orde nol masih diperlukan perbaikan guna meningkatkan keakurasian.

Item Type: Thesis (S1)
Uncontrolled Keywords: diagnosis kanker otak, fuzzy c-means clustering, Sugeno orde nol, sistem fuzzy
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: 12 Oct 2017 01:36
Last Modified: 12 Oct 2017 01:36
URI: http://eprints.uny.ac.id/id/eprint/53210

Actions (login required)

View Item View Item