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 |
id |
id-langga.71470 |
---|---|
record_format |
dspace |
spelling |
id-langga.714702018-04-01T21:47:06Z http://repository.unair.ac.id/71470/ Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. Agus Jaya Pratama, 081311733051 T1-995 Technology(General) 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. 2018 Thesis NonPeerReviewed text id http://repository.unair.ac.id/71470/1/ST.T.%2019-18%20Pra%20i%20Abstrak.pdf text id http://repository.unair.ac.id/71470/2/ST.T.%2019-18%20Pra%20i.pdf Agus Jaya Pratama, 081311733051 (2018) Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. Skripsi thesis, UNIVERSITAS AIRLANGGA. http://lib.unair.ac.id |
institution |
Universitas Airlangga |
building |
Universitas Airlangga Library |
country |
Indonesia |
collection |
UNAIR Repository |
language |
Indonesian Indonesian |
topic |
T1-995 Technology(General) |
spellingShingle |
T1-995 Technology(General) Agus Jaya Pratama, 081311733051 Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. |
description |
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. |
format |
Theses and Dissertations NonPeerReviewed |
author |
Agus Jaya Pratama, 081311733051 |
author_facet |
Agus Jaya Pratama, 081311733051 |
author_sort |
Agus Jaya Pratama, 081311733051 |
title |
Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. |
title_short |
Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. |
title_full |
Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. |
title_fullStr |
Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. |
title_full_unstemmed |
Identifikasi Otomatis Citra MRI Tumor Otak Benign dan Malignant dengan Metode Neural Network Backpropagation. |
title_sort |
identifikasi otomatis citra mri tumor otak benign dan malignant dengan metode neural network backpropagation. |
publishDate |
2018 |
url |
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 |
_version_ |
1681149903940616192 |