Febriati, Ainani Shabrina (2020) Klasifikasi Tumor Otak pada Citra Magnetic Resonance Image (MRI) dengan Menggunakan Metode Support Vector Machine (SVM). Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07311540000020_UnderGraduate_Thesis.pdf Download (1MB) | Preview |
Abstract
Di Indonesia, pasien yang terdiagnosis tumor otak semakin meningkat setiap tahunnya. Bukan hanya orang dewasa saja yang terserang penyakit tumor otak, tetapi anak-anak dengan usia yang masih muda juga bisa terserang penyakit tumor otak. Karena itu, perlu dilakukan deteksi gejala tumor sejak dini sebelum tumor otak berkembang menjadi tumor yang ganas. Tumor otak dapat dideteksi dengan cara melalui pemeriksaan Magnetic Resonance Imaging (MRI). Tumor otak merupakan penyakit berbahaya yang mneyerang pada sistem syaraf pusat. Tumor otak dibedakan menjadi dua kelompok, yaitu tumor jinak dan tumor ganas. Untuk membedakan penyakit yang terdeteksi tumor otak dengan yang tidak terdeteksi tumor otak, perlu dilakukan proses klasifikasi. Proses klasifikasi ini menggunakan metode Support Vector Machine (SVM) untuk mengklasifikasikan tumor otak menjadi dua kelas yaitu ada tumor atau non tumor. Dalam tugas akhir ini, proses ini dilakukan dalam tiga langkah, Pre-processing yang mengubah ukuran citra, ekstraksi fitur yang mengambil informasi secara teksturnya, kemudian diikuti dengan melatih data dan dilakukan pengujian pada SVM. Hasil dari tugas akhir ini adalah untuk mengklasifikasikan citra dengan tumor atau non tumor. Serta menganalisis tingkat akurasi klasifikasi untuk kernel SVM yang berbeda seperti Linear, RBF dan Polynomial. Dari hasil pengujian klasifikasi dengan SVM, didapatkan tingkat akurasi yang cukup baik sebesar 0.76 dan memiliki error sebesar 0.24 dengan menggunakan kernel Linear dan RBF pada tipe C-SVM. Kesimpulan dari penelitian ini adalah metode SVM dapat digunakan untuk mengklasifikasikan tumor otak dengan tingkat akurasi yang cukup baik dengan menggunakan kernel Linear dan RBF. Dengan menggunakan SVM classifier untuk mengklasifikasi data yang bersifat non-linear dengan menggunakan fungsi kernel seperti RBF dapat menghasilkan hasil yang bagus ketika dataset yang digunakan lebih kecil.
================================================================================================================================
In Indonesia, patients diagnosed with brain tumors are increasing every year. Not only adults who have a brain tumor, but children with a young age can also be stricken with a brain tumor. Therefore, it is necessary to detect tumor symptoms early before the brain tumor develops into a malignant tumor. Brain tumors can be detected by means of magnetic resonance imaging (MRI) examinations. Brain tumors are dangerous diseases that attack the central nervous system. Brain tumors are divided into two groups, namely benign and malignant tumors. To differentiate diseases detected by brain tumors from those not detected by brain tumors, it is necessary to do the classification process. This classification process uses the Support Vector Machine (SVM) method to classify brain tumors into two classes: tumor or non-tumor. In this final project, this process is carried out in three steps, Pre-processing which resizes the image, extracts features that take texture information, then is followed by training the data and testing on SVM. The result of this final project is to classify images with tumors or non-tumors. As well as analyzing the level of classification accuracy for different SVM kernels such as Linear, RBF and Polynomial. From the classification test results with SVM, obtained a fairly good level of accuracy of 0.76 and has an error of 0.24 by using the Linear kernel and RBF on type C-SVM. The conclusion from this study is the SVM method can be used to classify brain tumors with a fairly good degree of accuracy using the Linear kernel and RBF. Using the SVM classifier to classify data that is non-linear by using kernel functions such as RBF can produce good results when the dataset used is smaller.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSB 006.42 Feb k-1 2020 |
| Uncontrolled Keywords: | Ekstraksi Fitur, Magnetic Resonance Imaging, Support Vector Machine, Pre-processing, Tumor otak. |
| Subjects: | Q Science > Q Science (General) T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis |
| Depositing User: | Ainani Shabrina Febrianti |
| Date Deposited: | 12 Jan 2022 07:45 |
| Last Modified: | 05 Jun 2023 03:40 |
| URI: | http://repository.its.ac.id/id/eprint/73141 |
Actions (login required)
 |
View Item |