Sebatubun, Maria Mediatrix - 161203 (2017) Ekstraksi Fitur Pada Citra Computed Tomography Paru-Paru. STMIK AKAKOM Yogyakarta, Yogyakarta.
|
Text
1_161203_HALAMAN_DEPAN.pdf - Published Version Download (320kB) | Preview |
|
|
Text
2_161203_BAB_I.pdf - Published Version Download (29kB) | Preview |
|
|
Text
3_161203_BAB_II.pdf - Published Version Download (80kB) | Preview |
|
|
Text
4_161203_BAB_III.pdf - Published Version Download (290kB) | Preview |
|
![[img]](http://eprints.akakom.ac.id/style/images/fileicons/text.png) |
Text
5_161203_BAB_IV.pdf - Published Version Restricted to Repository staff only Download (21kB) |
|
|
Text
6_161203_BAB_V.pdf - Published Version Restricted to Repository staff only Download (218kB) |
|
|
Text
7_161203_BAB_VI.pdf - Published Version Download (12kB) | Preview |
|
|
Text
8_161203_DAFTAR_PUSTAKA.pdf - Published Version Download (148kB) | Preview |
|
|
Text
10_161203_PUBLIKASI.pdf - Published Version Restricted to Repository staff only Download (546kB) |
Abstract
ABSTRAK Kanker merupakan salah satu penyakit yang mematikan dan salah satu jenis kanker adalah kanker paru-paru yang menyebabkan tingginya tingkat kematian di dunia dibanding kanker lain. Hal ini disebabkan karena kanker paru-paru merupakan jenis kanker yang paling sering menyerang pria dan berada pada urutan pertama dari sederetan jenis kanker mematikan. Tingkat kematian akibat kanker paru-paru dapat diminimalisir apabila gejala dan sel-sel kanker dapat dideteksi secara dini. Salah satu cara yang digunakan untuk mendeteksi kanker paru-paru adalah melalui pencitraan atau lebih dikenal dengan X-ray (foto rontgen) ataupun dengan cara Computed Tomography (CT) scan. Penelitian ini menggunakan citra hasil CT scan untuk mengenali salah satu karakteristik lesi yaitu Ground Glass Opacity (GGO) yang dapat digunakan untuk menentukan tingkat keganasan dari suatu lesi. Tahap awal yang dilakukan adalah melakukan cropping citra secara manual oleh radiolog kemudian melakukan ekstraksi fitur menggunakan Gray Level Co-occurrence Matrice (GLCM) dan tahap selanjutnya adalah klasifikasi dengan metode Naïve Bayes. Untuk meningkatkan hasil klasifikasi, fitur yang paling signifikan dicari dengan cara seleksi fitur menggunakan GainRatioEvaluation. Berdasarkan hasil yang diperoleh, metode seleksi fitur yang digunakan mampu menemukan fitur yang paling signifikan. Tingkat akurasi meningkat dari 83,33% menjadi 91,67%, sensitivitas dari 82,35% menjadi 94,11% dan spesifisitas dari 84,21% menjadi 89,47%. Kata Kunci : Computed Tomography, ekstraksi fitur, klasifikasi, seleksi fitur.
| Item Type: | Other |
|---|---|
| Uncontrolled Keywords: | Computed Tomography, classification, feature extraction, feature selection |
| Subjects: | A Karya Umum (General) > Ilmu Komputer (Computer Science) > Komputer Grafis (Computer Graphics) |
| Divisions: | Laporan Penelitian Dan Pengabdian |
| Depositing User: | Wahyu Firmanto |
| Date Deposited: | 12 Feb 2018 07:24 |
| Last Modified: | 22 Mar 2018 01:40 |
| URI: | http://eprints.akakom.ac.id/id/eprint/6966 |
Actions (login required)
 |
View Item |
