EKSTRAKSI FITUR DAN KLASIFIKASI SEL SERVIKS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) UNTUK DETEKSI DINI KANKER SERVIKS

ERLINDA METTA DEWI, 080917004 (2013) EKSTRAKSI FITUR DAN KLASIFIKASI SEL SERVIKS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) UNTUK DETEKSI DINI KANKER SERVIKS. Skripsi thesis, UNIVERSITAS AIRLANGGA.

[img]
Preview
Text (ABSTRAK)
gdlhub-gdl-s1-2014-dewierlind-32969-6.-abstr-k.pdf

Download (310kB) | Preview
[img] Text (FULL TEXT)
25009.pdf
Restricted to Registered users only

Download (2MB) | Request a copy
Official URL: http://lib.unair.ac.id

Abstract

Penelitian ini dilakukan untuk mendesain suatu sistem yang mampu mengklasifikasikan sel serviks menjadi 2 kelas, yaitu sel normal atau sel abnormal, berdasarkan citra digital sel serviks tunggal dengan jaringan saraf tiruan metode Learning Vector Quantization (LVQ). Desain sistem menggunakan pemrograman MATLAB. Sebelum diklasifikasi, citra sel serviks tunggal disegmentasi area nukleusnya kemudian dilakukan ekstraksi fitur. Fitur yang digunakan dalam penelitian ini berjumlah 7 macam yang terdiri dari 2 jenis fitur, yaitu fitur bentuk dan fitur statistik. Fitur bentuk yang digunakan adalah area, perimeter, faktor bentuk, dan kebundaran nukleus, sedangkan fitur statistik dari histogram citra grayscale sel serviks yang digunakan adalah mean, standard deviation, dan entropy. Nilai parameter LVQ yang optimal berdasarkan tingkat akurasi data training tertinggi, yaitu pada laju pelatihan 0,1 dan pengurangan laju pelatihan 0,5. Tingkat akurasi optimal sistem yang didapatkan dengan pengujian terhadap 45 data citra testing adalah sebesar 93,33%. Tingkat akurasi ini lebih tinggi dari target akurasi penelitian sebelumnya sebesar 82%. Penambahan fitur area sitoplasma dan penambahan kelas klasifikasi dapat menjadi pertimbangan dalam penelitian mendatang.

Item Type: Thesis (Skripsi)
Additional Information: KKC KK ST T 11/13 Dew e
Uncontrolled Keywords: Citra sel serviks tunggal, Klasifikasi sel serviks, Ekstraksi fitur, Learning Vector Quantization.
Subjects: R Medicine > RC Internal medicine > RC0254 Neoplasms. Tumors. Oncology (including Cancer)
Divisions: 08. Fakultas Sains dan Teknologi > Tekno Biomedik
Creators:
CreatorsEmail
ERLINDA METTA DEWI, 080917004UNSPECIFIED
Contributors:
ContributionNameEmail
ContributorDr. Retna Apsari, M.SiUNSPECIFIED
ContributorEndah Purwanti, S.Si, M.TUNSPECIFIED
Depositing User: Tn Fariddio Caesar
Date Deposited: 21 Jan 2014 12:00
Last Modified: 12 Jun 2017 16:39
URI: http://repository.unair.ac.id/id/eprint/25009
Sosial Share:

Actions (login required)

View Item View Item