OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN GRID SEARCH DAN EKSTRAKSI FITUR GLCM UNTUK IDENTIFIKASI KANKER PARU- PARU

Ghani, Muhammad Abdul (2024) OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN GRID SEARCH DAN EKSTRAKSI FITUR GLCM UNTUK IDENTIFIKASI KANKER PARU- PARU. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK.pdf Download (149kB)
	Text COVER.pdf Download (177kB)
	Text DAFTAR ISI.pdf Download (130kB)
	Text DAFTAR PUSTAKA.pdf Download (205kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (567kB)
	Text PENGESAHAN PENGUJI.pdf Download (571kB)
	Text SKRIPSI FULL_123190030_Muhammad Abdul Ghani_OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN GRID SEARCH UN~1.pdf Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK
Mendiagnosis suatu penyakit adalah pekerjaan yang sangat kompleks dan
diperlukan banyak pengujian pada pasien untuk mencapai kesimpulan yang tepat. Hal
ini dapat mengarahkan untuk menggunakan perangkat analitik, yang direncanakan
untuk membantu para dokter dalam mengambil keputusan. Penentuan dini mengurangi
waktu perawatan dan dapat menyelamatkan nyawa. Salah satu penyakit ini adalah
pertumbuhan kanker ganas paru-paru, yang terjadi ketika sel-sel di jaringan paru-paru
berkembangsecara tidak terkendali. Kasus-kasus ini sering disebabkan oleh kombinasi
faktor genetik dan paparan gas radon, asbes, perokok pasif, atau bentuk polusi udara
lainnya. Kanker paru-paru dapat dilihat pada radiografi dada dan computed tomography
(CT) scan. Diagnosis dipastikan dengan biopsi yang biasanya dilakukan dengan
bronchoscopy atau CT-guidance.
Penelitian ini menggunakan metode kuantitatif dengan data sekunder, terutama
dataset kanker paru-paru dari situs Kaggle yang berisi 977 data. Dataset ini terdiri dari
416 citra paru-paru normal dan 561 citra paru-paru terkena kanker. Setelah persiapan
dataset, langkah selanjutnya adalah ekstraksi fitur menggunakan metode GLCM, dengan
enam fungsi yang digunakan untuk mengekstrak dataset, yaitu Contrast, Energy,
Correlation, Dissimilarity, Homogeneity, dan ASM. Selanjutnya, dataset dibagi menjadi
data latih dan data uji dengan rasio 7 banding 3. Proses permodelan menggunakan
arsitektur Grid Search-SVM, yang melibatkan tahap optimasi dengan Grid Search pada
parameter C. Validasi dan pengujian dilakukan menggunakan Confusion Matrix dan K-
fold Cross Validation terhadap model Support Vector Machine dengan dan tanpa
optimasi parameter Grid Search.
Hasil penelitian menunjukan bahwa algoritma Grid Search memberikan
peningkatan pada nilai accuracy sebesar 7.5% dari 79.9% menjadi 87.4%. Peningkatan
juga terjadi pada nilai precision sebesar 8.1% dari 81.6% menjadi 89.7%. Selain itu,
peningkatan juga terjadi pada recall sebesar 4.1% dari 82.7% menjadi 88.9% dan f1-
score sebesar 6.2% dari 82.7% menjadi 88.9%. Algoritma Grid Search juga memberi
penurunan terhadap nilai error sebesar 7.5% dari 20% menjadi 12.5%.
Kata kunci: Support Vector Machine, Grid Search, GLCM, Kanker Paru-paru dan
Klasifikasi Citra
viii

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Support Vector Machine, Grid Search, GLCM, Kanker Paru-paru dan Klasifikasi Citra
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	23 Apr 2024 03:44
Last Modified:	23 Apr 2024 03:44
URI:	http://eprints.upnyk.ac.id/id/eprint/39332

Actions (login required)

View Item