NUGROHO, Fillipus Aditya (2025) Analisis Dampak Fitur Momen Warna pada Ruang Warna YUV, LAB, dan RGB serta Kombinasinya dengan Fitur Tekstur GLRLM, Tamura, dan LBP terhadap Deteksi Dini Pra-Kanker Serviks. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Download (983kB)
	PDF (Legalitas) LEGALITAS-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Restricted to Repository staff only Download (3MB)
	PDF (Abstrak) ABSTRAK-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Download (1MB)
	PDF (BabI) BAB-I-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Restricted to Repository staff only until 4 November 2026. Download (1MB)
	PDF (BabII) BAB-II-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Restricted to Repository staff only until 4 November 2026. Download (1MB)
	PDF (BabIII) BAB-III-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Restricted to Repository staff only until 4 November 2026. Download (1MB)
	PDF (BabIV) BAB-IV-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB-V-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Download (1MB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Download (1MB)
	PDF (Lampiran) LAMPIRAN-Fillipus Aditya Nugroho-H1A022005-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)

Abstract

Kanker serviks merupakan salah satu penyebab utama kematian pada perempuan, terutama di negara berkembang seperti Indonesia. Metode Inspeksi Visual Asam Asetat (IVA) digunakan secara luas karena murah dan sederhana, namun hasilnya sangat bergantung pada subjektivitas tenaga medis sehingga berisiko menimbulkan kesalahan diagnosis. Untuk meningkatkan objektivitas dan akurasi deteksi dini, penelitian ini mengusulkan pendekatan berbasis pengolahan citra digital melalui analisis fitur momen warna pada ruang warna RGB, YUV, dan LAB serta kombinasinya dengan fitur tekstur GLRLM, Tamura, dan LBP. Tujuan penelitian ini adalah untuk menganalisis efektivitas ruang warna dan kombinasi fitur dalam meningkatkan performa klasifikasi citra IVA menggunakan algoritma machine learning. Penelitian ini dilakukan menggunakan pendekatan eksperimental dengan dataset 162 citra kolposkopi pasca-IVA dari IARC Colposcopy Image Bank, yang terdiri dari 75 citra abnormal dan 87 citra normal. Tahapan penelitian meliputi prapemrosesan (cropping dan grayscaling), ekstraksi fitur warna (mean, standar deviasi, dan skewness), serta fitur tekstur (LBP, GLRLM, dan Tamura). Hasil ekstraksi diuji menggunakan algoritma XGBoost dan AdaBoost. Evaluasi dilakukan menggunakan metrik akurasi, presisi, spesifisitas, recall, dan F1-score, disertai analisis feature ranking untuk mengetahui fitur yang paling berpengaruh terhadap hasil klasifikasi. Hasil penelitian menunjukkan bahwa model XGBoost dengan kombinasi fitur YUV dan tekstur memberikan performa terbaik dengan akurasi 90.91%, presisi 93.75%, spesifisitas 93.75%, recall 88.24%, dan F1-score 90.91%. Penggunaan fitur momen warna pada ruang warna YUV terbukti memberikan performa yang lebih baik dibandingkan LAB dan RGB, karena ruang warna ini mampu memisahkan komponen luminansi dan krominansi dengan lebih efektif. Fitur tekstur juga terbukti memiliki peran dominan dalam mendeteksi pola lesi serviks. Kombinasi fitur warna dan tekstur secara keseluruhan meningkatkan akurasi dan stabilitas model.

Actions (login required)

View Item