PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION 2.1 (LVQ 2.1) DAN LEARNING VECTOR QUANTIZATION 3 (LVQ 3) UNTUK KLASIFIKASI SEL TUMOR OTAK
| Main Author: | Ikrav Sagewa, - |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.uin-suska.ac.id/24352/1/WATERMARK%20BAB%201%2C2%2C3%2C4%20DAN%206.pdf http://repository.uin-suska.ac.id/24352/2/WATERMARK%20BAB%205.pdf http://repository.uin-suska.ac.id/24352/ |
Daftar Isi:
- Tumor otak merupakan pertumbuhan sel-sel yang tidak normal didalam atau sekitar otak secara tidak wajar dan tidak terkendali. Tumor dibedakan menjadi dua golongan yang dibedakan berdasarkan oleh perkembangannya, yaitu tumor jinak dan ganas. Penyakit tumor ini dapat diidentifikasi dengan menggabungkan pengolahan citra dan teknik jaringan syaraf tiruan. Ektraksi gambar yang digunakan dalam kasus ini adalah dengan menggunakan fitur tekstur dari Gray Level Co-Occurrence Matrix. Learning Vector Quantization 2.1 dan Learning Vector Quantization 3 digunakan sebagai jaringan saraf untuk klasifikasi tumor otak. Kemudian menggunakan K-Fold untuk menghitung hasil akurasi data. Hasil dari penelitian ini menunjukkan bahwa akurasi tertinggi pada LVQ 3 sebesar 83,3% pada pengujian K-Fold Ke-9 dengan nilai window 0,5 dan learning rate 0,7. Akurasi terendah adalah 66% pada metode LVQ 2.1 . Kesimpulan dari penelitian ini algoritma yang diusulkan dapat mengidentifikasi tumor otak dengan baik.