Jaya, I Nyoman Surya (2024) DETEKSI NODUL PARU PADA CITRA CT DENGAN KLASIFIKASI PSEUDO NEAREST NEIGBOUR RULE. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101034-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2229101034-ABSTRAK.pdf Download (112kB) |
|
Text (BAB 1 PENDAHULUAN)
2229101034-BAB 1 PENDAHULUAN.pdf Download (112kB) |
|
Text (BAB 2 KAJIAN TEORI)
2229101034-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (634kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2229101034-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (393kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101034-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (985kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2229101034-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (106kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101034-DAFTAR PUSTAKA.pdf Download (165kB) |
|
Text (LAMPIRAN)
2229101034-LAMPIRAN.pdf Download (3MB) |
Abstract
Penelitian ini bertujuan untuk memperoleh performansi algoritma Pseudo Nearest Neigbour Rule (PNNR) dalam mendeteksi nodul paru pada citra CT scan. Algoritma klasifikasi PNNR digunakan untuk mengurangi pengaruh derau atau pencilan dalam proses klasifikasi sehingga false positive (prediksi suatu objek bukan nodul sebagai nodul) dapat dikurangi. Data set yang digunakan adalah 200 data pasien dimana dilakukan 4 fold Cross Validation. Untuk tahapan preprocessing dilakukan dengan segmentasi citra otsu dimana dari hasil segmentasi tersebut kemudian dicari dua blob terbesar untuk menentukan area paru yang akan dianalisis. Selanjutnya untuk fitur dari calon nodul (bagian piksel putih / foreground) diperoleh dari proses segmentasi otsu lagi. Hasil dari segmentasi yang kedua ini mengandung informasi dari kandidat nodul untuk selanjutnya dihitung nilai dari fitur bentuk dari kandidat nodul tersebut seperti area, eccentricity, equivalent diameter, major axis length, minor axis length dan perimeter yang menghasilkan nilai feature set sebagai dasar data latih dan data uji untuk proses klasifikasi pada PNNR. Validasi hasil klasifikasi dilakukan untuk mengetahui apakah hasil klasifikasi dari model yang digunakan untuk mengidentifikasi kandidat nodul adalah benar nodul atau bukan. Hal ini dilakukan dengan membandingkan nilai centroid kandidat nodul hasil klasifikasi dengan nilai centroid nodul yang telah dianotasikan oleh radiologis. Hasil klasifikasi yang diusulkan dalam penelitian ini yaitu dengan menggunakan metode klasifikasi PNNR mendapatkan nilai akurasi sebesar 93,72% termasuk ke dalam tingkat nilai excellent classification atau tingkat akurasinya sangat baik namun dengan tingkat sensitivity atau pengenalan true positive yang lebih rendah yaitu sebesar 72 %. Pada Penelitian selanjutnya dapat dilakukan optimasi klasifikasi dengan pemilihan feature set yang digunakan.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Deteksi Nodul Paru, Klasifikasi, Pseudo Nearest Neigbour Rule |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science R Medicine > R Medicine (General) |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I Nyoman Surya Jaya |
| Date Deposited: | 20 Feb 2024 06:51 |
| Last Modified: | 20 Feb 2024 06:51 |
| URI: | http://repo.undiksha.ac.id/id/eprint/18974 |
Actions (login required)
 |
View Item |