PENERAPAN ALGORITMA BACKPROPAGATION UNTUK DETEKSI PADA KULIT YANG TERKENA MELANOMA DENGAN EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX

Nata, Willian Kelvin (2023) PENERAPAN ALGORITMA BACKPROPAGATION UNTUK DETEKSI PADA KULIT YANG TERKENA MELANOMA DENGAN EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text SKRIPSI FULL_WILLIAN KELVIN NATA_123180004.pdf Restricted to Repository staff only Download (2MB)
	Text ABSTRAK.pdf Download (268kB)
	Text DAFTAR ISI.pdf Download (263kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (209kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (209kB)
	Text COVER.pdf Download (231kB)
	Text DAFTAR ISI.pdf Download (263kB)
	Text DAFTAR PUSTAKA.pdf Download (320kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (209kB)

Abstract

Melanoma adalah bentuk berbahaya dari kanker kulit yang menyebabkan ribuan
kematian setiap tahunnya. Dikarenakan ketersediaan ahli kulit yang terbatas, inspeksi visual
saja memiliki keakuratan yang terbatas dan bervariasi yang menyebabkan pasien terlambat
dalam menjalani rangkaian pengobatan. Kehidupan seseorang dapat diselamatkan jika
Melanoma dideteksi pada tahapan dini dan dapat menjanjikan tingkat keberlangsungan
hidup selama periode 5 tahun. Oleh karena itu diperlukannya suatu sistem berupa computer
vision yang mampu melakukan pengolahan citra dan mendeteksi gambar citra dermoscopy
untuk memberikan hasil identifikasi berupa klasifikasi apakah citra masukan tersebut
merupakan penyakit kulit Melanoma atau bukan Melanoma, salah satunya menggunakan
metode Jaringan Saraf Tiruan algoritma Neural Network Backpropagation.
Dalam mengatasi permasalahan pengolahan gambar berdasarkan warna, tekstur dan
fitur geometris pada Neural Network, maka ditambahkan sebuah metode ekstraksi fitur Gray
Level Co-occurrence Matrix (GLCM) dengan menggunakan 6 fitur (Dissimilarity,
Correlation, Homogeneity, Contrast, Angular Second Moment, dan Energy). Proses
pengolahan data citra dimulai tahap grayscale, labelling citra, mengekstraksi fitur, dan
normalisasi. Setelah proses normalisasi citra, dilakukan pembagian data menggunakan
perbandingan data training dan testing sebesar 70:30. Selanjutnya data training yang telah
diperoleh dilakukan proses pembelajaran jaringan dengan algoritma Neural Network
Backpropagation yang akan melalui tahap feed-forward, backward, dan update bobot.
Metode pengembangan sistem yang digunakan pada penelitian ini dengan pendekatan
prototype.
Hasil yang diperoleh pada penelitian ini dilakukan dengan melakukan skenario
pengujian mencari nilai Mean Square Error (MSE) dan Akurasi yang effisien menggunakan
pergantian konfigurasi nilai learning rate, iterasi, dan jumlah hidden layer pada permodelan
Backpropagation. Penggunaan nilai learning rate sebesar 0.9, iterasi 100.000, dan hidden
layer sejumlah 5 mendapatkan nilai terbaik yaitu MSE sebesar 0.056338 dan tingkat akurasi
mencapai 80.85%. Pengujian permodelan Backpropagation yang dibangun juga dilakukan
evaluasi menggunakan Confusion Matrix agar menghasilkan akurasi yang benar sesuai data
aktual dengan menggunakan data testing memperoleh tingkat akurasi sebesar 81%. Pada
pengujian sistem yang dibangun dengan menguji 20 data citra validasi menghasilkan tingkat
akurasi kebenaran baik mengenali citra masukan dengan benar sebesar 85%.
Kata kunci: Melanoma, Neural Network Backpropagation, GLCM, Jaringan Saraf Tiruan,
dan Klasifikasi Citra

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Melanoma, Neural Network Backpropagation, GLCM, Jaringan Saraf Tiruan, dan Klasifikasi Citra.
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	14 Jul 2023 03:58
Last Modified:	14 Jul 2023 05:00
URI:	http://eprints.upnyk.ac.id/id/eprint/36443

Actions (login required)

View Item