PRASACA PIGAMA PRIYANINDHITA NURTOKHID (2024) SISTEM KLASIFIKASI LENKE BERDASARKAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX DAN SUPPORT VECTOR MACHINE. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (3MB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (8MB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (50kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (17kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (341kB)
[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 (11kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (151kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (287kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (15MB)

Abstract

Penelitian ini merancang suatu sistem klasifikasi berdasarkan Radiologi Jenis scoliosis Lenke dengan menggunakan metode ekstraksi fitur Gray Level CoOccurrence Matrix (GLCM) dan klasifikasi Support Vector Machine (SVM). Proses awal melibatkan ekstraksi fitur menggunakan GLCM untuk mendapatkan informasi spasial dari citra yang mencerminkan pola tekstur tulang belakang. Fitur-fitur ini kemudian dijadikan input untuk algoritma SVM dalam tahap klasifikasi dengan menggunakan 10 Fold-Cross Validation dari data citra scoliosis lenke dan normal. Penilaian performa dilakukan dengan membagi data ke dalam tiga kategori, yaitu Quadratic SVM, Cubic SVM, dan Coarse gaussian SVM. Hasil eksperimen menunjukkan kesuksesan sistem dalam mengklasifikasikan scoliosis Lenke, di mana hasil training Quadratic SVM mencapai akurasi 98,8% dalam waktu 11,136 detik, Cubic SVM mencapai 99,2% dalam waktu 19,307 detik, dan Coarse gaussian SVM mencapai 74,02% dalam waktu 4,550 detik. Hasil testing Quadratic SVM 92,24% dalam waktu 20,438 detik, Cubic SVM mencapai 91,98% dalam waktu 19,303 detik, dan Coarse Gaussian SVM mencapai 60,66% dalam waktu 21,167 detik. Tingkat akurasi yang tinggi dari metode klasifikasi ini mengindikasikan potensi besar untuk mendukung diagnosis medis. Selain itu, waktu eksekusi yang relatif singkat menunjukkan efisiensi sistem dalam pengolahan data citra, suatu aspek penting dalam aplikasi medis yang memerlukan respons cepat dalam diagnosis dan perawatan. Penelitian ini memberikan sumbangan yang signifikan dalam pengembangan sistem otomatis untuk deteksi scoliosis Lenke berdasarkan citra radiografi.

Dosen Pembimbing: Anna Nur Nazilah Chamim, ST., M.Eng. and Yessi Jusman, S.T., M.Sc., Ph.D. | NIDN0006087601, NIDN1007058408
Item Type: Thesis (S1)
Uncontrolled Keywords: Scoliosis, Lenke Classification, GLCM Feature Extraction, Support Vector Machine (SVM)
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Yuliana Ramawati
Date Deposited: 10 Jun 2024 07:42
Last Modified: 10 Jun 2024 07:42
URI: https://etd.umy.ac.id/id/eprint/45365

Actions (login required)

View Item View Item