Deteksi Nodul Paru Pada Citra Ct Scan Berbasis Fitur Glcm Dan Rlm Menggunakan Metode Support Vector Machine (SVM)

Zai'mah, Permatasari (2021) Deteksi Nodul Paru Pada Citra Ct Scan Berbasis Fitur Glcm Dan Rlm Menggunakan Metode Support Vector Machine (SVM). Masters thesis, Institut Teknologi Sepuluh Nompember.

[thumbnail of BUKU TESIS ZAIMAH_FINAL.pdf] Text
BUKU TESIS ZAIMAH_FINAL.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (2MB) | Request a copy
[thumbnail of BUKU TESIS ZAIMAH_FINAL.pdf] Text
BUKU TESIS ZAIMAH_FINAL.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy
[thumbnail of BUKU TESIS ZAIMAH_FINAL.pdf] Text
BUKU TESIS ZAIMAH_FINAL.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy
[thumbnail of BUKU TESIS ZAIMAH_FINAL.pdf] Text
BUKU TESIS ZAIMAH_FINAL.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Kanker paru-paru merupakan salah satu jenis kanker yang memiliki tingkat kematian yang tinggi di dunia. Untuk mengurangi angka kematian tersebut, maka perlu dilakukan pendeteksian secara dini sehingga pasien dapat diobati secepat mungkin. Salah satu proses pendeteksian yang dilakukan adalah dengan cara screening yaitu menggunakan Computed Tomography (CT) scan. Penelitian ini bertujuan untuk mengembangkan metode yang dapat membedakan karakteristik densitas nodul paru normal dan tidak. Tahap ekstraksi fitur tekstur berbasis histogram dan Gray Level Co-occurrence Matrix (GLCM) dan (Run Length Matrix) RLM. Nilai fitur tekstur kemudian digunakan sebagai masukan tahap klasifikasi menggunakan metode Support Vector Machine (SVM) dan Neural Network Backpropagation. Berdasarkan pada hasil eksperimen,didapatkan bahwa metode SVM dapat mengenali nodul paru lebih baik dibandingkan aNN Backpropagation dengan nilai akurasi terbaik 85,3% sedangan nilai akursi aNN Backpropagation 77.7 % .Hasil ini menyediakan informasi bahwa deteksi nodul paru berdasarkan fitur glcm dan rlm yang dapat dideteksi
lebih baik. Lebih jauh, memilih parameter C dan γ pada SVM dan nilai learning dan hidden layer pada aNN Backpropagation untuk mendapatkan hasil klasifikasi
yang optimal dapat diemplementasikan untuk mendapatkan hasil yang lebih baik. Kata kunci : Kanker paru-paru, glcm, rlm, Klasifikasi fitur, aNN Backpropagation

Item Type: Thesis (Masters)
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User: Za'imah Permatasari
Date Deposited: 18 Aug 2021 08:33
Last Modified: 18 Aug 2021 08:33
URI: http://repository.its.ac.id/id/eprint/87680

Actions (login required)

View Item View Item