Implementasi Algoritma Hibrida GLCM-SVM dan Adaptive Connected Component Untuk Klasifikasi Citra Tumor Otak

Fadlilah, Hanif Nur (2025) Implementasi Algoritma Hibrida GLCM-SVM dan Adaptive Connected Component Untuk Klasifikasi Citra Tumor Otak. Undergraduate thesis, UPN VETERAN JAWA TIMUR.

	Text (cover) 20081010231_Cover.pdf Download (2MB)
	Text (bab 1) 20081010231_bab1.pdf Download (1MB)
	Text (bab 2) 20081010231_bab2.pdf Restricted to Registered users only until 4 February 2027. Download (5MB)
	Text (bab 3) 20081010231_bab3.pdf Restricted to Registered users only until 4 February 2027. Download (4MB)
	Text (bab 4) 20081010231_bab4.pdf Restricted to Registered users only until 4 February 2027. Download (12MB)
	Text (bab 5) 20081010231_bab5.pdf Download (708kB)
	Text (daftar pustaka) 20081010231_daftarPustaka.pdf Download (956kB)

Abstract

Tumor otak adalah salah satu penyakit mematikan yang dapat menyerang siapa saja, dengan tingkat prevalensi yang terus meningkat setiap tahun. Deteksi dini tumor otak sangat penting untuk meningkatkan peluang pengobatan yang efektif. Penelitian ini bertujuan mengembangkan model klasifikasi citra tumor otak menggunakan pendekatan hibrida yang menggabungkan algoritma Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi fitur, Adaptive Connected Component untuk segmentasi, dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Penelitian ini menggunakan dataset citra MRI sebanyak 2800 gambar, terdiri dari 1400 citra dengan tumor dan 1400 tanpa tumor. Tahapan penelitian meliputi preprocessing data (konversi grayscale, normalisasi, dan resize), segmentasi menggunakan Adaptive Connected Component, ekstraksi fitur tekstur dengan GLCM (energy, contrast, correlation, homogeneity), serta klasifikasi menggunakan SVM dengan pengujian berbagai kernel (linear, RBF, polynomial, sigmoid). Evaluasi performa dilakukan menggunakan confusion matrix, dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kombinasi algoritma hibrida GLCM-SVM dan Adaptive Connected Component mampu menghasilkan akurasi hingga 92,5% pada skenario terbaik, dengan kernel RBF memberikan hasil optimal. Pendekatan ini terbukti lebih unggul ibandingkan metode individual sebelumnya, menjadikannya potensi besar dalam mendukung diagnosis otomatis tumor otak.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Diyasa, I Gede Susrama Mas	NIDN0019067008	igsusrama.if@upnjatim.ac.id
Thesis advisor	Via, Yisti Vita	NIDN0025048602	yistivia.if@upnjatim.ac.id

Subjects:

Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76.6 Computer Programming
T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Hanif Nur Fadlilah

Date Deposited:

04 Feb 2025 09:09

Last Modified:

04 Feb 2025 09:09

URI:

https://repository.upnjatim.ac.id/id/eprint/34607