MUHAMMAD RIJALUL ARIF (2024) SISTEM KLASIFIKASI BERDASARKAN CITRA SCOLIOSIS LENKEMENGGUNAKAN METODE EKSTRAKSI GLCM(GRAY LEVEL CO-OCCURRENCE MATRIX) DAN KLASIFIKASI K-NEAREST NEIGHBORS (KNN). S1 thesis, Universitas Muhammadiyah Yogyakarta.
Halaman Judul.pdf
Download (817kB)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (531kB)
Abstrak.pdf
Restricted to Registered users only
Download (13kB)
Bab I.pdf
Download (57kB)
Bab II.pdf
Restricted to Registered users only
Download (392kB)
Bab III.pdf
Restricted to Registered users only
Download (1MB)
Bab IV.pdf
Restricted to Registered users only
Download (1MB)
Bab V.pdf
Restricted to Registered users only
Download (42kB)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (122kB)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (371kB)
Full Text.pdf
Restricted to Repository staff only
Download (3MB)
Abstract
Skoliosis Lenke merupakan kelainan tulang belakang yangmemengaruhi jutaan individu di seluruh dunia. Namun, penggunaan metode machine learning dalam pengklasifikasian skoliosis Lenke masih kurang diperhatikan. Penelitian ini mengusulkan pendekatan baru yang mengintegrasikan teknik machine learning dengan ekstraksi fitur menggunakan Gray Level Co-Occurrence Matrix(GLCM)untuk mengekstraksi informasi spasial yang mencerminkan pola tekstur tulang belakang. Fitur-fitur yang diekstraksi kemudian menjadi input untuk klasifikasi dengan menggunakanalgoritma K-Nearest Neighbors(KNN).Evaluasi dilakukan dengan manajemen data 10-fold cross vaidationdengan menggunakan tiga model klasifikasi yaitu:Fine, Medium, dan Coarse.Hasil eksperimen menunjukkan keberhasilan sistem dalam mengklasifikasikan skoliosis Lenke. FineKNN mencapai akurasi 100
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Scoliosis, Lenke Classification, GLCM feature extraction, K-Nearest Neighbors(KNN) Classification |
Divisions: | Fakultas Teknik > Teknik Elektro S1 |
Depositing User: | Yuliana Ramawati |
Date Deposited: | 11 Jun 2024 03:55 |
Last Modified: | 11 Jun 2024 03:55 |
URI: | https://etd.umy.ac.id/id/eprint/45310 |