GIOVANNI AZZUHRA DEWANANDA (2022) SISTEM KLASIFIKASI SEL PAYUDARA MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN HAAR WAVELET TRANSFORM DENGAN MACHINE LEARNING. S1 thesis, Universitas Muhammadiyah Yogyakarta.
Halaman Judul.pdf
Download (2MB)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (218kB)
Abstrak.pdf
Restricted to Registered users only
Download (103kB)
Bab I.pdf
Download (117kB)
Bab II.pdf
Restricted to Registered users only
Download (550kB)
Bab III.pdf
Restricted to Registered users only
Download (984kB)
Bab IV.pdf
Restricted to Registered users only
Download (5MB)
Bab V.pdf
Restricted to Registered users only
Download (94kB)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (151kB)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (303kB)
Full Text.pdf
Restricted to Repository staff only
Download (34MB)
Abstract
KANKER PAYUDARA ADALAH PENYAKIT NON KULIT BERBAHAYA YANG PALING UMUM DIALAMI OLEH WANITA, KANKER PAYUDARA TERJADI KARNA ADANYA PERTUMBUHAN SEL SECARA TIDAK WAJAR PADA JARINGAN PAYUDARA, SECARA UMUM SEL KANKER PAYUDARA DIBAGI MENJADI 2, YAITU BENIGN (JINAK) DAN MALIGNANT (GANAS), DALAM MENDETEKSI SEL PAYUDARA YANG TELAH TERINFEKSI KANKER MEMERLUKAN PEMERIKASAAN MEDIS, SEIRING PERKEMBANGAN ZAMAN PROSES DIAGNOSA DAPAT DILAKUKAN DENGAN TEKNOLOGI KECERDASAN BUATAN IMAGE PROCESSING. PADA PENELITIAN INI MENGGUNAKAN 2 BUAH KELAS YANG TERBAGI MENJADI KELAS 1 BENIGN, DAN KELAS 2 MALIGNANT, JUMLAH CITRA YANG DIGUNAKAN SEBANYAK 1.309 SEBAGAI DATA TRAINING DAN 146 SEBAGAI DATA TESTING. TUJUAN DARI PENELITIAN INI ADALAH UNTUK MENGETAHUI HASIL EKSTRAKSI GRAY LEVEL CO- OCCURANCE MATRIX (GLCM) DAN HAAR WAVELET TRANSFORM. HASIL DARI PROSES EKTRAKSI KEDUA METODE TERSEBUT AKAN DILAKUKAN PROSES KLASIFIKASI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DAN K-NEAREST NEIGHBOR (KNN). OUTPUT YANG DIHASILKAN DARI PROSES KLASIFIKASI BERUPA NILAI AKURASI DARI MASING-MASING METODE KLASIFIKASI. AKURASI TERTINGGI TERDAPAT PADA METODE KLASIFIKASI KNN DENGAN NILAI 91.2% SAAT MENGGUNAKAN FITUR EKSTRAKSI HAAR WAVELET, DAN AKURASI TERENDAH TERDAPAT PADA METODE KLASIFIKASI SVM SAAT MENGGUNAKAN FITUR EKSTRAKSI GLCM
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Breast cancer, GLCM, Haar Wavelet, training, testing, SVM, KNN |
Divisions: | Fakultas Teknik > Teknik Elektro S1 |
Depositing User: | M. Erdiansyah |
Date Deposited: | 22 Nov 2023 03:33 |
Last Modified: | 22 Nov 2023 03:33 |
URI: | https://etd.umy.ac.id/id/eprint/35459 |