SISTEM KLASIFIKASI BERDASARKAN CITRA SCOLIOSIS LENKEMENGGUNAKAN METODE EKSTRAKSI GLCM(GRAY LEVEL CO-OCCURRENCE MATRIX) DAN KLASIFIKASI K-NEAREST NEIGHBORS (KNN)

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.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf

Download (817kB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only

Download (531kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only

Download (13kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf

Download (57kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only

Download (392kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only

Download (1MB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only

Download (1MB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only

Download (42kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only

Download (122kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only

Download (371kB)
[thumbnail of Full Text] Text (Full Text)
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

Actions (login required)

View Item
View Item