Pembangkitan Aturan Fuzzy Menggunakan Metode Subtractive Clustering Untuk Diagnosa Tingkat Keganasan Kanker Payudara Dari Hasil Mammografi

Main Author: Ramadhan, CahyaArief
Format: Thesis NonPeerReviewed Book
Bahasa: eng
Terbitan: , 2013
Subjects:
Online Access: http://repository.ub.ac.id/145691/1/SKRIPSI_CAHYA_ARIEF_RAMADHAN_0910960003.pdf
http://repository.ub.ac.id/145691/
Daftar Isi:
  • Setiap Tahun, Jutaan Wanita Memeriksakan Diri Untuk Mengetahui Apakah Mereka Mengalami Kanker Payudara Atau Tidak. Kanker Payudara Merupakan Penyebab Kematian Kedua Terhadap Wanita Pada emua Kasus Kejadian Kanker. Sebagian Besar Kanker Payudara Baru Didiagnosis Setelah Melihat asil Mammogram. Namun Prediksi Yang Dihasilkan Dari Mammografi Menyebabkan Sekitar 70% Biopsi Yang Tidak Perlu Dilakukan Karena Kanker Itu Bersifat Jinak. Sebelumnya Tim Dokter Menggunakan Computer-Aideddiagnosis (CAD) Untuk Mendiagnosa Tingkat Keganasan Kanker Payudara Guna Membantu Melakukan Keputusan Operasi Dengan Melakukan Interpretasi Suatu Gambar Medis. Dari Hasil Interpretasi Tersebut, Khususnya Dari Hasil Screening Mammografi, Akan Diperoleh Hasil Yang Menyatakan Apakah Kanker Yang Diderita Pasien Termasuk Jinak Atau Ganas. Untuk Mempermudah Dalam Hal Mendiagnosa Keganasan Kanker Payudara, Diperlukan Sebuah Metode Yang Otomatis. Salah Satu Teknik Yang Dapat Diterapkan Adalah Fuzzy Subtractive Clustering . Konsep Dasar Dari Subtractive Clustering Adalah Menentukan Titik Data Dengan Densitas Tertinggi Sebagai Pusat Cluster , Sehingga Algoritma Ini Akan Membentukan Jumlah Cluster Atau Aturan Secara Otomatis Tanpa Perlu Diinisialisasi Diawal. Hasil Dari Subtractive Clustering Nantinya Merupakan Aturan Yang Terbentuk Digabungkan Dengan Model Inferensi Sugeno Untuk Mendapatkan Hasil Diagnosa Tingkat Keganasan Kanker Payudara. Dengan Demikian Subtractive Clustering Dapat Dijadikan Metode Alternatif Sebagai Bahan Pembelajaran Untuk Ekstraksi Aturan Fuzzy Pada FIS Model Sugeno Orde-Satu. Penelitian Ini Menggunakan Mammographic Mass Data Set Yang Berasal Dari UCI Machine Learning . Dari Hasil Pengujian Didapatkan Hasil Akurasi Terbaik Sebesar 93% Dengan Jumlah Aturan Sebanyak Dua