IRFAN MAULANA (2018) PENERAPAN LEARNING VECTOR QUANTIZATION(LVQ) PADA KLASIFIKASI KANKER PAYUDARA (BREAST CANCER) DARI CITRA MAMMOGRAM MENGGUNAKAN SEGMENTASI OTSU. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER_2018106TIF.pdf Download (243kB) | Preview
Preview	Text 2. PENGESAHAN_2018106TIF.pdf Download (695kB) | Preview
Preview	Text 3. ABSTRAK_2018106TIF.pdf Download (185kB) | Preview
Preview	Text 4. KATA PENGANTAR_2018106TIF.pdf Download (347kB) | Preview
Preview	Text 5. DAFTAR ISI_2018106TIF.pdf Download (460kB) | Preview
Preview	Text 6. BAB I_2018106TIF.pdf Download (296kB) | Preview
Preview	Text 7. BAB II_2018106TIF.pdf Download (1MB) | Preview
Preview	Text 8. BAB III_2018106TIF.pdf Download (331kB) | Preview
Preview	Text 9. BAB IV_2018106TIF.pdf Download (2MB) | Preview
	Text 10. BAB V_2018106TIF.pdf Restricted to Repository staff only Download (1MB)
Preview	Text 11. BAB VI_2018106TIF.pdf Download (187kB) | Preview
Preview	Text 12. DAFTAR PUSTAKA_2018106TIF.pdf Download (344kB) | Preview

Abstract

Kanker payudara merupakan penyakit prevalensi tertinggi saat ini. Banyak wanita yang masih kurang peduli terhadap penyakit ini.Menurut kemenkes RI (2015) sekitar 80% kasus ditemukan dalam stadium lanjut. Pemeriksaan dini perlu dilakukan untuk meminimalisir tingkat kasus yang ada. Salah satu cara pemeriksaan dini ialah dengan melakukan tes mammografi,pemeriksaan ini dapat mengdiagnosa secara dini perkembangan kanker. Citra mammogram digunakan dan diekstraksi ciri citranya. Metode pembelajaran yang digunakan ialah Learning Vector Quantization. Sebelum diproses,citra yang digunakan dilakukan tahap preprocessing citra yaitu operasi titik intensity adjustment. Selanjutnya dilakukan segmentasi otsu. Serta ekstraksi ciri tekstur orde kedua pada citra. Parameter-parameter statistik yang digunakan berjumlah 14 parameter. Parameter-parameter tersebut digunakan sebagai input pembelajaran dan pengujianLVQ. Dilakukan perhitungan tingkat akurasi dari algoritma pembelajaran LVQ. Pada data tidak seimbang, aplikasi yang dibuatdominan mengenali jenis normal dibanding jinak dan ganas. Akurasi tertinggi didapatkan pada data tidak seimbang ialah 63,63% dengan learning rate 0,003 dan 0,005. Pada data seimbang tingkat akurasi yang tertinggi didapatkan 83,33% dengan learning rate 0,003 dan 0,005.Sedangkan akurasi rata-rata keseluruhan tertinggi didapatkan sebesar 70,36% pada learning rate 0,001pada data seimbang. Aplikasi yang dibuat telah mampu mengenali jenis citra normal, jinak dan ganas. Kata Kunci : Klasifikasi,Preprocessing,Segmentasi, EkstraksiCiri, Mammogram, Learning Vector Quantization, Otsu,Paramete

Actions (login required)

View Item