KLASIFIKASI MAGNETIC RESONANCE (MR) BRAIN IMAGES MENGGUNAKAN ENERGI KOEFISIEN WAVELET DAN NEURO-FUZZY SYSTEMS

Auli Damayanti, S.Si.,. M.Si and Indah Werdiningsih, S.Si., M.Kom (2013) KLASIFIKASI MAGNETIC RESONANCE (MR) BRAIN IMAGES MENGGUNAKAN ENERGI KOEFISIEN WAVELET DAN NEURO-FUZZY SYSTEMS. Universitas Airlangga, Surabaya. (Unpublished)

[img]
Preview
Text (ABSTRAK)
gdlhub-gdl-res-2014-damayantia-32667-3.ringk-.pdf

Download (253kB) | Preview
[img] Text (FULL TEXT)
gdlhub-gdl-res-2014-damayantia-32667-16full.pdf
Restricted to Registered users only

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

Abstract

Tujuan utama dari penelitian ini adalah mengembangkan metode Transformasi Wavelet dan Neural Network untuk mengklasifikasikan jenis penyakit tumor otak sehingga dapat digunakan untuk mendiagnosa awal tumor otak. Pada penelitian ini, data yang digunakan untuk klasifikasi jenis penyakit tumor otak adalah data Magnetic Resonance (MR) Brain Images. Pada penelitian ini terdapat tiga tahapan yang harus dilakukan, yaitu ekstraksi fitur, reduksi fitur, dan klasifikasi fitur dari MR Brain Images. Tahap pertama, yaitu ekstraksi fitur. Ekstraksi fitur adalah proses dekomposisi image menggunakan transformasi wavelet. Hasil dari ekstraksi fitur berupa vektor koefisien detail horisontal, vertikal, diagonal dan vektor approximasi dari dekomposisi wavelet pada setiap level. Tahap kedua adalah reduksi fitur. Proses reduksi fitur terdiri dari empat langkah, yaitu ekstraksi koefisien MR brain image, normalisasi, energi komputasi, dan reduksi energi komputasi. Hasil dari reduksi fitur adalah energi koefisien yang berupa vektor approximasi dari setiap level dekomposisi Wavelet. Energi yang digunakan untuk reduksi fitur adalah 10 dan 100 energi per fitur. Fitur yang dihasilkan untuk 100 energi koefisien sebanyak 52 fitur dan untuk 10 energi koefisien sebanyak 513 fitur. Fitur inilah yang kan menjadi input klasifikasi. Tahap selanjutnya adalah klasifikasi. Jenis klasifikasi penyakit tumor otak dibagi menjadi empat kategori, yaitu normal,alzheimer, glioma dan carcinoma. Metode klasifikasi yang digunakan adalah neural network.Fitur MR Brain Images dikenali dengan baik menggunakan 10 energi koefisien. Input layer sebanyak 513 neuron dan jumlah hidden layer sebanyak 52 neuron,  = 0.4, serta fungsi aktivasi yang digunakan logsig pada hidden layer dan logsig pada output layer. Hasil akurasi yang diperoleh sebesar 95 % dengan error sebesar 0.000999188 dan berhenti pada epoch ke 515.Sistem yang dihasilkan ini, dapat membantu dokter dan masyarakat awam dalam mendiagnosa awal penyakit tumor otak berdasarkan MRI Brain Images. Saat ini, satu artikel sudah dihasilkan dan diterima untuk dipresentasikan pada seminar nasional The 5th Conference on Information Technology and Electrical Engineering (CITEE 2013) pada tanggal 7-8 Oktober 2013 dan diselenggarakan oleh Jurusan Teknik Elektro dan Teknologi Informasi, Universitas Gadjah Mada di Jogyakarta. Judul artikel ilmiah yang akan dipresentasikan tersebut yaitu �Deteksi Kanker Otak Berdasarkan Data Magnetic Resonance Image (MRI) Brain Images Menggunakan Analisis Wavelet dan Gradien Descent Back Propagation�. Saat ini artikel ilmiah dalam proses submit pada jurnal internasional yaitu Applied Mathematical Science yang diindeks Scopus dengan nilai impact factor 0.392 dan H-index 14 dengan judul �Sistem Klasifikasi Magnetic Resonance Images (MRI) Brain Images Menggunakan Energi Koefisien dan Neural Network�.

Item Type: Other
Additional Information: KKC KK LP.10-14 Dam k
Uncontrolled Keywords: MRI, Brain Images, Wavelet Transformation, Neural Network.
Subjects: Q Science > QC Physics > QC501-766 Electricity and magnetism
R Medicine > RC Internal medicine > RC0254 Neoplasms. Tumors. Oncology (including Cancer)
Divisions: 08. Fakultas Sains dan Teknologi
Unair Research > Exacta
Creators:
CreatorsEmail
Auli Damayanti, S.Si.,. M.SiUNSPECIFIED
Indah Werdiningsih, S.Si., M.KomUNSPECIFIED
Depositing User: Nn Dhani Karolyn Putri
Date Deposited: 01 Oct 2016 06:42
Last Modified: 01 Oct 2016 06:42
URI: http://repository.unair.ac.id/id/eprint/44247
Sosial Share:

Actions (login required)

View Item View Item