RADEN AJENG DHEA NAMYRA ALISSA (2025) IMPLEMENTASI MACHINE LEARNING UNTUK DETEKSI KANKER SERVIKS: STUDI EKSTRAKSI FITUR MORFOLOGI DAN EVALUASI AKURASI DIAGNOSTIK. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (1MB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (833kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (296kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (270kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (716kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (900kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (35MB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (250kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (279kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (321kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (38MB)

Abstract

Kanker serviks merupakan salah satu jenis kanker yang paling umum terjadi pada wanita, sehingga deteksi dini menjadi sangat penting untuk meningkatkan peluang kesembuhan. Penelitian ini bertujuan mengeksplorasi ekstraksi fitur morfologi dari citra sel serviks, mengimplementasikan machine learning untuk deteksi kanker, serta mengevaluasi akurasi diagnostik model yang dihasilkan. Dataset yang digunakan terdiri dari 851 citra sel serviks yang terbagi menjadi tiga kelas, yaitu High-Grade Squamous Intraepithelial Lesion (HSIL), Low-Grade Squamous Intraepithelial Lesion (LSIL), dan Normal. Dataset ini diperoleh dari Hospital Universiti Sains Malaysia. Setiap citra melewati serangkaian proses pra-pemrosesan yang mencakup konversi ke grayscale, peningkatan kontras menggunakan Adaptive Histogram Equalization, reduksi noise dengan Gaussian Blurring, augmentasi data, dan binerisasi menggunakan Otsu's Thresholding. Fitur morfologi kemudian diekstraksi menggunakan Property of Image Regions (regionprops) dengan total 20 fitur yang dihasilkan. Fitur-fitur ini digunakan sebagai input untuk klasifikasi menggunakan jaringan syaraf tiruan dengan empat model Multi-Layer Perceptron (MLP), yaitu Levenberg-Marquardt (LM), One-Step Secant (OSS), Scaled Conjugate Gradient (SCG), dan Bayesian Regularization (BR). Pengujian dilakukan dengan menggunakan 20, 25, dan 30 hidden nodes serta metode k-10 fold cross-validation. Rata-rata akurasi tertinggi diperoleh pada model MLP dengan algoritma 1 metode BR dan 30 hidden nodes, dengan akurasi pelatihan sebesar 96,13

Dosen Pembimbing: Yessi Jusman, S.T., M.Sc., Ph.D. | NIDN1007058408
Item Type: Thesis (S1)
Uncontrolled Keywords: Morphological Feature Extraction, Cervical Cancer Detection, Machine Learning, Diagnostic Accuracy, Artificial Neural Networks
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Aidilla Qurotianti
Date Deposited: 20 Feb 2025 06:30
Last Modified: 20 Feb 2025 06:30
URI: https://etd.umy.ac.id/id/eprint/49708

Actions (login required)

View Item View Item