ARYANTO, Andreas Sahir (2023) Analisis Pengaruh Penggabungan Fitur Pada Deteksi Pra-Kanker Citra Kolposkopi Dengan SVM. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Download (174kB)
	PDF (Legalitas) LEGALITAS-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Restricted to Repository staff only Download (2MB)
	PDF (Abstrak) ABSTRAK-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Download (585kB)
	PDF (BabI) BAB-I-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Restricted to Repository staff only Download (582kB)
	PDF (BabII) BAB-II-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabIII) BAB-III-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Restricted to Repository staff only Download (807kB)
	PDF (BabIV) BAB-IV-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Restricted to Repository staff only Download (6MB)
	PDF (BabV) BAB-V-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Download (561kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Download (575kB)
	PDF (Lampiran) LAMPIRAN-Andreas Sahir Aryanto-H1A020023-Skripsi-2023.pdf Restricted to Repository staff only Download (1MB)

Abstract

Kanker serviks merupakan penyakit yang menduduki peringkat kedua sebagai penyakit kanker pada sistem reproduksi wanita sehingga menjadikannya tantangan serius dalam dunia kesehatan global. Dengan karakteristiknya yang berkembang lambat, dapat dilakukan pencegahan dengan melakukan deteksi dini atau deteksi pra–kanker. Salah satu deteksi pra-kanker serviks adalah kolposkopi. Dengan bantuan pengolahan citra, dapat dimungkinkan proses deteksi dini atau deteksi pra-kanker ini lebih cepat dan mudah untuk dilakukan. Penggunaan fitur citra yang diseleksi dan digabungkan dapat berpengaruh pada perfoma klasifikasi citra. Fitur seperti momen warna dan tekstur diteliti bagaimana pengaruhnya terhadap performa komputasi untuk pengklasifikasi citra kolposkopi tersebut. Klasifikasi citra tersebut menggunakan SVM (Support Vector Machine) yang diuji dengan empat kernel (linear, polinomial, radial, dan sigmoid). Tahapan dari penelitian ini meliputi tahapan persiapan, yakni digunakan untuk mempersiapkan alat dan bahan serta studi literatur terkait, kemudian dilanjutkan dengan tahap pemrosesan awal citra yang terdiri dari preprocessing dan segmentasi citra sehingga citra minim dari derau. Citra tersebut dilanjutkan pada tahapan ekstraksi fitur yang menghasilkan dua matriks fitur. Dua matriks tersebut digunakan untuk melatih model klasifikasi SVM yang secara langsung dihitung performanya. Model SVM tersebut juga dapat digunakan sebagai pendekatan seleksi fitur yakni menggunakan nilai bobot dari setiap vektor fitur. Hasil seleksi fitur digabungkan dalam satu matriks fitur yang kemudian diklasifikasi kembali sebagai model akhir. Hasil performa model SVM fitur momen warna dan fitur tekstur dapat dibandingkan dengan performa model SVM fitur gabungan. Didapatkan bahwa hasil penggabungan fitur dapat menaikkan secara merata untuk keempat buah kernel yang digunakan.

Actions (login required)

View Item