Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation.
Keberadaan tumor pada stadium awal sangat sulit diketahui karena batas tumor masih tidak jelas dan kekontrasannya rendah mirip dengan jaringan normal. Interpretasi atau pembacaan citra MRI membutuhkan waktu yang lama dan pakar radiologi kemungkinan dapat bersifat obyektif dalam mendiagnosa. Penel...
Saved in:
Main Author: | |
---|---|
Format: | Theses and Dissertations NonPeerReviewed |
Language: | Indonesian Indonesian |
Published: |
2018
|
Subjects: | |
Online Access: | http://repository.unair.ac.id/71470/1/ST.T.%2019-18%20Pra%20i%20Abstrak.pdf http://repository.unair.ac.id/71470/2/ST.T.%2019-18%20Pra%20i.pdf http://repository.unair.ac.id/71470/ http://lib.unair.ac.id |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Institution: | Universitas Airlangga |
Language: | Indonesian Indonesian |
Summary: | Keberadaan tumor pada stadium awal sangat sulit diketahui karena batas
tumor masih tidak jelas dan kekontrasannya rendah mirip dengan jaringan normal.
Interpretasi atau pembacaan citra MRI membutuhkan waktu yang lama dan pakar
radiologi kemungkinan dapat bersifat obyektif dalam mendiagnosa. Penelitian ini
bertujuan untuk membangun sebuah program yang mampu mendeteksi kelainan
benign (jinak), dan malignant (ganas) dari citra otak MRI menggunakan jaringan
syaraf tiruan backpropagation. Metode backpropagation melatih jaringan untuk
mendapatkan keseimbangan antara jaringan pelatihan dan pengujian. Fitur yang
digunakan pada backpropagaton ada fitur tekstur contrast, energi, invers different
moment dan correlation. Semua fitur tersebut diambil menggunakan metode gray
level co-occurrence matrice (GLCM). Akurasi pelatihan backpropagation tertinggi
yaitu sebesar 88.89% dari 9 data latih dengan maksimum epoh 10000, learning rate
1, dan jumlah neuron di hidden layer 10. Akurasi pengujian sebesar 100% dari 3
data uji. Akurasi dari pengujian untuk membedakan tumor benign dan malignant
memiliki akurasi yang lebih tinggi daripada literatur. Pemilihan fitur teksur dari
GLCM yang lebih efektif dan memperbanyak data yang digunakan dapat menjadi
pertimbangan untuk penelitian selanjutnya guna meningkatkan akurasi sistem. |
---|