ANNISA HAFIZAH (2025) SISTEM KLASIFIKASI SEL SERVIKS MENGGUNAKAN ALGORITMA GRAY LEVEL DIFFERENCE METHOD DAN MACHINE LEARNING. 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 (762kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (36kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (88kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (557kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (450kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (12MB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (31kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (109kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (383kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (14MB)

Abstract

Kanker serviks adalah jenis kanker paling umum keempat di kalangan wanita, dengan 570.000 kasus baru dan 311.000 kematian setiap tahun. Deteksi dini memiliki peran penting dalam menurunkan angka kematian, namun metode konvensional seperti Gold standard dan tes Human Papillomavirus sering terkendala oleh akurasi yang bergantung pada analisis manual dan risiko kesalahan manusia. Teknologi pemrosesan citra berbasis machine learning menawarkan solusi yang lebih cepat dan akurat untuk mendeteksi kanker serviks. Penelitian ini mengembangkan sistem deteksi sel serviks menggunakan dataset yang terdiri dari tiga kelas: High-Grade Squamous Intraepithelial Lesion (287 data), LowGrade Squamous Intraepithelial Lesion (123 data), dan sel normal (440 data). Data diproses melalui tahap pra-pemrosesan berupa augmentasi, Adaptive Histogram Equalization (Adaphisteq), dan pengubahan citra menjadi skala abu-abu (adaphisteq). Ekstraksi fitur dilakukan menggunakan metode Gray Level Difference Method (GLDM) dengan empat fitur utama: kontras, Angular Second Moment (ASM), entropi, dan rata-rata (mean). Hasil ekstraksi disimpan dalam format Excel dan diklasifikasikan menggunakan tiga metode jaringan saraf tiruan multilayer perceptron (Neural Network MLP): Levenberg-Marquardt (LM), Scaled Conjugate Gradient (SCG), dan Bayesian Regularization (BR). Setiap metode menggunakan jumlah Hidden Node 10, 20, 30, dan 40, dengan rasio data 90% pelatihan, 5% validasi, dan 5% pengujian untuk LM dan SCG, sedangkan BR menggunakan rasio 90% pelatihan dan 10% pengujian. Hasil eksperimen menunjukkan bahwa metode Levenberg-Marquardt memberikan akurasi terbaik pada Hidden Node 40 dengan persentase pelatihan 76,06%, validasi 71,03%, dan pengujian 70,15%. Metode Scaled Conjugate Gradient mencapai akurasi terbaik pada Hidden Node 40 dengan persentase pelatihan 61,34%, validasi 59,85%, dan pengujian 63,14%. Metode Bayesian Regularization menghasilkan akurasi terbaik dengan Hidden Node 40, yaitu 93,57% pada pelatihan dan 76,05% pada pengujian. Berdasarkan hasil ini, metode Bayesian Regularization dengan 40 Hidden Node memberikan akurasi klasifikasi terbaik dalam penelitian ini

Dosen Pembimbing: Yessi Jusman, S.T., M.Sc., Ph.D. | NIDN1007058408
Item Type: Thesis (S1)
Uncontrolled Keywords: Cervical Cancer, Gray Level Difference Method, Neural Network Multilayer Perceptron, Levenberg-Marquardt, Scaled Conjugate Gradient, Bayesian Regularization
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Eko Kurnawan
Date Deposited: 12 Feb 2025 06:59
Last Modified: 12 Feb 2025 06:59
URI: https://etd.umy.ac.id/id/eprint/49895

Actions (login required)

View Item View Item