KLASIFIKASI TUMOR OTAK JINAK (BENIGNA) DAN GANAS (MALIGNA) MENGGUNAKAN EKSTRAKSI FITUR GLCM DAN SVM

Rohmawati, 201469040062 (2018) KLASIFIKASI TUMOR OTAK JINAK (BENIGNA) DAN GANAS (MALIGNA) MENGGUNAKAN EKSTRAKSI FITUR GLCM DAN SVM. Sarjana thesis, Universitas Yudharta.

	Text (bab1.pdf) bab1.pdf Restricted to Registered users only Download (332kB) | Request a copy
	Text (bab2.pdf) bab2.pdf Restricted to Registered users only Download (667kB) | Request a copy
	Text (bab3.pdf) bab3.pdf Restricted to Registered users only Download (469kB) | Request a copy
	Text (bab4.pdf) bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (bab5.pdf) bab5.pdf Restricted to Registered users only Download (75kB) | Request a copy
	Text (daftar pustaka.pdf) daftar pustaka.pdf Download (93kB)
	Text (RohmaCOVER.pdf) RohmaCOVER.pdf Download (880kB)

Abstract

Tumor otak merupakan suatu penyakit mematikan yang dapat menyerang siapa saja tanpa mengenal usia. Teknologi yang terus berkembang membuat dunia kesehatan tidak dapat dipisahkan dari teknologi. Salah satu teknologi yang digunakan untuk pengidentifikasian suatu penyakit adalah Ct- Scan dan MRI. Secara klinis sulit membedakan antara tumor otak jinak dan ganas karena seperti jaringan otak normal, Para dokter bisa mendiagnosa penyakit tanpa harus melakukan pembedahan. Penelitian ini bertujuan untuk mendeteksi tumor otak jinak dan ganas dengan menggunakan ekstrasi fitur GLCM dan SVM. GLCM merupakan salah satu metode untuk memperoleh ciri statistic dengan cara menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Sedangkan metode SVM karena pemisahan kelas dan klasifikasi yang paling baik dan mampu bekerja pada dataset yang berdimensi tinggi. Citra ct-scan yang masuk akan di lakukan segmentasi yang nantinya akan di ekstrasi fitur menggunakan GLCM, fitur yang digunakan meliputi mean, kontras, korelasi, homogenitas, IDM, varians dan entropy. Setelah dilakukan pengujian, maka dapat disimpulkan tingkat akurasi sebesar 94.5%. Sedangkan menggunakan aplikasi WEKA sebesar 91.6666% dan error 8.3334%.

Item Type:	Thesis (Sarjana)
Identification Number:	005.12 ROH K
Contributors:	Contribution Contributors Email Thesis advisor Muhammad Imrom Rosadi, M.Kom, ã…¤ UNSPECIFIED
Subjects:	Karya Umum > Ilmu Umum dan Komputer
Divisions:	Fakultas Teknik > Teknik Informatika
Date Deposited:	20 Nov 2018 14:49
Last Modified:	02 Mar 2022 06:27
URI:	https://repository.yudharta.ac.id/id/eprint/390

Actions (login required)

View Item