FITRIA YUNITA SARI (2025) SISTEM KLASIFIKASI KANKER SERVIKS MENGGUNAKAN ALGORITMA LOCAL BINARY PATTERN (LBP) DAN NEURAL NETWORK. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (911kB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (564kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (280kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (242kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (709kB)
[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 (13MB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (228kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (259kB)
[thumbnail of Lampiran] Text (Lampiran)
Lampiran.pdf
Restricted to Registered users only
Download (399kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (411kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (16MB)

Abstract

Kanker Serviks merupakan penyakit ganas yang menjadi ancaman serius pada wanita, terutama di negara berkembang seperti Indonesia. Penyakit ini disebabkan oleh infeksi Human Papillomavirus (HPV), yang menjadi faktor utama perkembangan kanker serviks. Meskipun kanker serviks dapat dicegah dan diatasi jika terdeteksi sejak dini, keterlambatan dalam diagnosis sering kali menjadi penyebab tingginya angka kematian. Deteksi kanker serviks menggunakan metode konvensional sangat bergantung pada keahlian individu sehingga rentan jerjadi human error. Teknologi pemrosesan citra berbasis machine learning menawarkan solusi berupa deteksi yang lebih cepat dan akurat,sehingga menjadi alternatif yang lebih andal. Penelitian ini mengembangkan sistem klasifikasi kanker serviks menggunakan citra pap smear mejadi tiga kelas: High Grade Squamous Intraepithelial Lesion (HSIL) (kelas 1), Low Grade Squamous Intraepithelial Lesion (LSIL) (kelas 2), dan Normal (kelas 3). Local Binary Pattern (LBP) adalah metode ekstraksi fitur yang dipilih pada penelitian ini. LBP menghasilkan 2.891 fitur yang efektif untuk mendeskripsikan citra kanker serviks. Sistem klasifikasi menggunakan metode Multilayer Perceptron Neural Network (MLP-NN) dengan tiga model pembelajaran: Conjugate Gradient With Beale-Powell Restats (CGB), Scaled Conjugate Gradient (SCG), dan Conjugate Gradient With Polak-Ribiere Restart (CGP). Hasil penelitian menunjukkan, model CGB memiliki performa terbaik dengan akurasi yang stabil pada training (85,1%), validation (79,1%), dan testing (79,1%). Model SCG mencatat akurasi training tertinggi (87,5%) namun kurang stabil, dengan akurasi validation (74,6%) dan testing (73,1%). Sementara itu, model CGP menunjukkan akurasi training tertinggi (90%), namun mengalami penurunan signifikan pada validation (79,1%) dan testing (70,1%). Sehingga, model CGB memiliki performa yang unggul dalam stabilitas dan performa keseluruhan, dibandingan model SCG dan CGP.

Dosen Pembimbing: Yessi Jusman, S.T., M.Sc., Ph.D. | NIDN1007058408
Item Type: Thesis (S1)
Uncontrolled Keywords: Cervical Cancer, Local Binnary Pattern, Neural Network, Augmentation, Image Processing
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Bima
Date Deposited: 19 Feb 2025 07:08
Last Modified: 19 Feb 2025 07:08
URI: https://etd.umy.ac.id/id/eprint/50192

Actions (login required)

View Item View Item