BAB I PENDAHULUAN. 1.1 Latar Belakang
|
|
- Yenny Widjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah penyebab utama kematian di seluruh dunia. Berdasarkan data dari World Health Organization (WHO), pada tahun 2012 terdapat sekitar 14 juta kasus kanker dan 8,2 juta dari kasus-kasus tersebut berakhir dengan kematian. Penyebab utama kematian yang disebabkan oleh kanker adalah kanker paru-paru dengan jumlah kematian sebanyak 1,59 juta [1]. Kanker paru-paru adalah salah satu jenis penyakit paru yang memerlukan penanganan dan tindakan yang cepat dan terarah. Kanker paru-paru dalam arti luas adalah semua penyakit keganasan di paru, mencakup keganasan yang berasal dari paru sendiri maupun keganasan dari luar paru (metastasis tumor di paru). Pada awalnya, sel-sel normal di paru-paru dan bagian lain dari tubuh, tumbuh dan membelah membentuk sel-sel baru. Ketika selsel normal menjadi tua atau rusak, sel-sel tersebut akan mati dan akan digantikan dengan sel-sel baru. Terkadang proses ini tidak berjalan dengan baik. Sel-sel baru terbentuk meskipun tubuh tidak membutuhkannya dan sel-sel yang lama tidak mati seperti yang seharusnya. Dengan demikian, akan terjadi penumpukan sel. Penumpukan sel ekstra sering membentuk suatu massa di jaringan yang disebut tumor. Tumor di paru-paru terdiri dari dua jenis yaitu jinak dan ganas. Sebelum menentukan jenis tumor, perlu dikenali morfologi lesi dari masing-masing jenis tumor tersebut yaitu tumor yang bukan kanker (jinak) dan tumor yang bersifat ganas atau yang dikenal dengan kanker. Kanker paru berasal dari paru-paru dan bisa juga dari organ tubuh selain paru-paru. Kanker yang berasal dari paru-paru disebut kanker paru-paru primer dan yang berasal dari luar paru-paru disebut kanker paruparu sekunder. Biasanya, kanker paru-paru primer hanya berjumlah satu pada area paru-paru, sedangkan kanker paru-paru sekunder berjumlah lebih dari satu. Untuk penelitian ini akan membahas tentang morfologi kanker paru-paru primer. Gambaran morfologi kanker paru-paru primer terdiri dari beberapa komponen yaitu ukuran tumor, penyangatan, tepi irregular spiculated, lobulated, 1
2 air bronchograms, ground glass opacity, dan densitas. Proses identifikasi kanker paru-paru dengan gambaran morfologi tersebut dapat dilakukan dengan metode pencitraan atau yang dikenal dengan Computed Tomography (CT) image. Hasil CT Scan paru-paru dapat menggambarkan tingkat keganasan dari kanker. Peningkatan dalam pemanfaatan CT Scan paru-paru dapat meningkatkan jumlah penemuan nodul paru soliter, yang didefinisikan sebagai lesi bulat < 3cm dan dikelilingi oleh parenkim paru [2]. Penelitian ini hanya beberapa komponen gambaran morfologi kanker paru primer yaitu shape dan Ground Glass Opacity. Ground-glass opacity (GGO) adalah area yang mengalami sedikit peningkatan densitas yang bersifat homogen, yang tidak jelas (kabur) dan terletak di dasar bronchial atau pada tepi vaskuler pada High Resolution CT (HRCT). Secara patologis, GGO mungkin disebabkan oleh pengisian udara secara parsial, penebalan interstitial dengan peradangan, oedema, fibrosis, neoplastic proliferation, kondisi pernapasan normal atau peningkatan volume darah pada kapiler paru. GGO dapat diklasifikasikan menjadi pure GGO (pggo) dan mixed GGO (mggo) berdasarkan pada komponen solid. GGO dapat terjadi pada kondisi paru-paru jinak seperti pneumonia, focal fibrosis dan haemorrhage, tetapi saat ini telah mendapat perhatian khusus karena dapat mengindikasikan adanya keberadaan awal kanker paru-paru. Kasus yang paling sering muncul diantaranya bronchioloalveolar carcinoma (BAC) dan adenocarcinoma dengan komponen dominan yaitu BAC [3]. Pure GGO didefinisikan sebagai meningkatnya area nodular paru melalui struktur parenkim normal termasuk saluran udara dan pembuluh darah yang kelihatan. Nodul yang terdiri dari komponan ground-glass dan solid disebut part-solid GGN [4]. Salah satu fitur yang digunakan untuk melakukan klasifikasi lesi adalah fitur shape. Shape dibagi menjadi empat jenis yaitu round, oval, polygonal dan complex [5]. Fitur-fitur yang digunakan radiolog untuk mengklasifikasi jenis lesi merupakan fitur yang juga sering digunakan dalam bidang pengolahan citra. Untuk melakukan klasifikasi terhadap jenis lesi tersebut dapat beberapa 2
3 metode, misalnya Support Vector Machine (SVM) [6] [7] [8], K-Nearest Neighbor (K-NN) [9], Radial Basis Function Network (RBFN) [10], dan lain-lain. Sebelum melakukan klasifikasi, citra hasil CT scan harus melalui tahap ekstraksi fitur terlebih dahulu. Beberapa metode yang dapat digunakan untuk ekstraksi fitur GGO adalah fitur tekstur berbasis histogram [11] [12] atau Gray Level Co-occurrence Matrices (GLCM) dan lain sebagainya [13]. Untuk mengetahui shape dari suatu lesi dapat beberapa metode momen invariant, antara lain momen hu, momen zernike, momen jarak ke pusat hingga fitur circularity yang dapat digunakan untuk menghitung kebulatan suatu objek [14] [15] [16] [17] [18] [19] [20] [21] [22]. Penelitian ini akan GLCM untuk mendapatkan fitur GGO dan fitur shape akan diperoleh dengan metode momen zernike dan circularity. GLCM pertama kali diusulkan oleh Haralick pada tahun 1973 dengan 28 fitur untuk menjelaskan pola spasial dan perhitungan tekstur pada orde kedua. Berdasarkan namanya, metode ini bekerja dengan menghitung nilai derajat keabuan pada suatu citra. Pengukuran tekstur pada orde pertama perhitungan statistika dan didasarkan pada nilai piksel citra asli semata, dan tidak memperhatikan hubungan ketetanggaan piksel. Tetapi GLCM bekerja dengan memperhitungkan hubungan antara satu piksel dengan piksel disebelahnya (ketetangaan piksel). Momen zernike digunakan untuk menyatakan bentuk objek dan memiliki beberapa kelebihan yaitu tidak bergantung terhadap rotasi, andal terhadap derau memiliki redundansi yang minimum. Selanjutnya fitur circularity (sifat bundar) adalah perbandingan antara rerata jarak Euclidean dari sentroid terhadap tepi area dan deviasi standar jarak dari sentroid ke tepi area [21]. Berdasarkan metode-metode yang telah digunakan dalam penelitianpenelitian sebelumnya, maka penelitian ini akan Citra CT scan paruparu untuk melakukan ekstraksi dan klasifikasi morfologi kanker paru-paru primer yaitu GGO dan shape. Dengan adanya penelitian ini, diharapkan dapat membantu radiolog untuk melakukan klasifikasi terhadap jenis resiko pasien dan dapat dijadikan second opinion dikarenakan masing-masing radiolog memiliki sudut pandang yang berbeda-beda terhadap suatu lesi paru-paru. Second opinion yang dimaksudkan merupakan alat bantu yang dapat digunakan sebagai bahan 3
4 pertimbangan bagi radiolog dalam melakukan pengenalan terhadap karakteristik lesi paru-paru. Selain itu, terdapat juga permasalahan dimana fitur dari lesi tersebut terlihat mirip sehingga sulit untuk bisa mengetahui jenis resiko kanker. 1.2 Perumusan masalah Adapun rumusan masalah dalam penelitian ini adalah : 1. Tingginya resiko kematian yang disebabkan oleh kanker paru-paru menuntut para radiolog untuk dapat mengenali jenis lesi pada kasus kanker paru-paru primer dengan baik berdasarkan hasil CT scan. Tetapi kenampakan karakteristik lesi GGO dan shape pada citra CT scan cenderung hampir sama sehingga terkadang radiolog melakukan kesalahan dalam mengenali karakteristik lesi tersebut. 2. Belum adanya second opinion yang dapat dijadikan panduan dalam mengenali karakteristik lesi GGO dan shape. Hal ini dapat dilihat dengan proses pengenalan yang dilakukan oleh radiolog secara manual. 1.3 Keaslian penelitian Pada bagian ini diberikan kajian mengenai beberapa penelitian yang bertujuan untuk melakukan pengenalan morfologi kanker paru-paru. Selain itu, juga diberikan kajian mengenai metode-metode yang telah diterapkan baik pada citra CT maupun pada citra yang berbeda. Kajian dilakukan untuk memberikan informasi mengenai perbedaan dan kebaruan antara penelitian-penelitian sebelumnya dengan penelitian yang dilakukan pada saat ini. Penelitian yang dilakukan oleh Katsumata dkk [11] yang mengusulkan sebuah sistem untuk mendeteksi area GGO dengan menghitung empat fitur statistik dari fitur densitas dan satu fitur bentuk. Penelitian ini 31 dataset citra thorax abnormal yang diperoleh dari Multi Detector row CT (MDCT). Fitur statistik yang dihitung antara lain mean, standard deviation, skewness dan kurtosis. Dari keempat fitur tersebut diperoleh tingkat akurasi 79% dengan tingkat False Positive (FP) sebesar 1,3. Kemudian, digunakan fitur bentuk yang dihitung 4
5 Minimum Directional Difference Filter (Min-DD) untuk mengurangi tingkat FP. Dari hasil penelitian, disimpulkan bahwa sistem yang diusulkan tersebut dapat digunakan di bidang medis. Sedangkan pada penelitian yang dilakukan oleh Bastawrous dkk [12], beberapa fitur morfologi dan graylevel. Fitur morfologi yang dihitung antara lain area, compactness, dan irregularity. Kemudian, fitur graylevel terdiri dari mean intensity value dan maximum intensity value. Penelitian ini 715 slice citra CT yang berisi 25 nodul GGO dan diklasifikasi template matching dan diperoleh sensitivitas 92% dengan FP 0,76 per slice. Selanjutnya, digunakan metode ANN untuk mengurangi tingkat FP. Setelah ANN, FP dapat dikurangi dari 0,76 menjadi 0,25 per slice tetapi metode ini mengurangi tingkat sensitivitas menjadi 84%. Penelitian yang dilakukan Yokota dkk [13], juga melakukan deteksi area GGO pada citra CT berdasarkan fitur statistik dengan menghitung keempat sudut dari metode GLCM antara lain energy, entropy, inertia dan correlation. Metode yang diusulkan, diterapkan pada 31 citra CT yang diperoleh dari LIDC. Dengan metode tersebut diperoleh akurasi 93%. Hal ini disebabkan karena area pembuluh darah dihilangkan terlebih dahulu 3D line filter. Selain metode-metode yang digunakan untuk mengukur tingkat GGO, terdapat juga beberapa metode yang dapat digunakan untuk deteksi keabnormalan pada paru-paru. Fesharaki dan Pourghassem [14] melakukan ekstraksi fitur dengan memanfaatkan fitur bentuk yaitu Fourier Descriptor, Invariant Moments dan Zernike Moments. Penelitian ini citra x-ray dan dibagi menjadi citra untuk training dan 562 citra untuk testing. Kemudian, klasifikasi Bayesian Rule dan diperoleh akurasi 82,87%. Penelitian yang dilakukan Asadi dkk [15] metode digital holographic untuk klasifikasi dan mengenali sel leukemia pada citra blood cells. Data yang digunakan untuk training sebanyak 800 citra berbeda dari 4 jenis leukemia. Tahap ekstraksi Zernike Moments. Kemudian, untuk klasifikasi sel leukemia, digunakan K-Nearest Neighbor (KNN) dan minimum mean 5
6 distance yang bertujuan untuk membandingkan tingkat akurasi tertinggi. Dari hasil penelitian, diperoleh akurasi tertinggi dengan KNN yaitu mencapai 93%. Kemudian, Sharma dan Khanna [16] mengusulkan sebuah sistem untuk klasifikasi keganasan pada citra mammogram. Sebelum diklasifikasi, citra tersebut diekstraksi Zernike moment. Penelitian ini citra mammogram dari Image Retrieval in Medical Application (IRMA) dan Digital Database for Screening Mammography (DDSM). Setelah proses ekstraksi, dilakukan klasifikasi SVM dengan kernel RBF (Radial Basis Function) terhadap masing-masing database. Hasil yang diperoleh yaitu sensitivitas 99% dan spesifisitas 99% untuk IRMA. Sensitivitas 97% dan spesifisitas 96% untuk DDSM. Metode yang diusulkan dibandingkan dengan fitur tekstur yaitu GLCM dan Discrete Fourier Transform (DCT) dan hasil yang diperoleh adalah metode yang diusulkan memberikan kinerja yang lebih baik. Tahmasbi dkk [17], juga melakukan klasifikasi massa jinak dan ganas pada citra mammogram dengan Zernike moment. Penelitian ini dataset dari Mammographic Image Analysis Society (MIAS) yang terdiri dari 322 citra digital yang terdiri dari payudara kiri dan kanan dari 161 wanita yang berbeda. Tahap awal yang dilakukan adalah praproses yang terdiri dari dua cara yaitu citra grayscale untuk ekstraksi fitur Zernike moment sebagai deskriptor mass margin dan citra biner untuk sebagai deksriptor mass shapes. Klasifikasi Multi-Layer Perceptron (MLP) yang dilatih dengan aturan pembelajaran Back Propagation (BP) dan Opposition-based Learning (OBL). Spesifisitas dan sensitivitas yang dicapai dari kedua cara tersebut yaitu 97,5% dan 97,6%. Pengenalan shape dapat dilakukan dengan metode-metode yang telah disebutkan tetapi ada penelitian yang juga melakukan pengenalan shape dengan metode yang berbeda yaitu dengan menghitung nilai kebulatan (circularity). Weiqiang, dkk [22] melakukan analisis terhadap shape dan boundary beberapa metode yaitu polygonal modeling dan index of lobule untuk 6
7 memperoleh boundary, kemudian fractal dimension dan circularity digunakan untuk memperoleh shape. Massa shape terdiri dari irregular dan sub-circular kemudian massa boundary terdiri dari spiculate, microlobulate dan smooth. Penelitian dilakukan 93 citra mammogram yang terdiri dari 54 citra benign dan 39 malignant yang diperoleh dari MIAS. Fitur bentuk juga banyak digunakan dalam bidang-bidang selain citra medis. Kale dkk [18], melakukan pengenalan tulisan tangan Devanagari fitur bentuk yaitu Zernike moments. Dalam penelitian ini, tidak ada dataset yang tersedia sehingga tulisan huruf Devanagari dibuat sendiri. Dataset terdiri dari basic dan compound character sehingga terdapat karakter yang akan diklasifikasi. Setelah ekstraksi fitur, SVM dan KNN digunakan untuk klasifikasi dan diperoleh akurasi yang tinggi yaitu SVM mencapai 98,37% dan KNN mencapai 95,82%. Sedangkan Chen dan Li [19] melakukan pengenalan sidik jari 7 momen Hu. Penelitian ini database DB1 dari FCV2002. Database DB1 terdiri dari 800 citra sidik jari. Hasil penelitian menunjukkan bahwa metode yang diusulkan dapat membedakan masing-masing sidik jari. Sementara itu, Trbali dkk [20], juga momen Zernike untuk melakukan klasifikasi massa jinak dan ganas pada citra mammogram. Dataset diperoleh dari Mammography Image Analysis Society (MIAS) yang berisi 322 citra digital mammogram yang terdiri dari payudara kiri dan kanan dari 161 wanita. Tahap-tahap yang dilakukan yaitu tahap praproses, segmentasi,ekstraksi fitur kemudian klasifikasi. Setelah klasifikasi, akurasi yang diperoleh mencapai 90,4% dengan sensitivitas 92% dan spesifisitasi 96%. Fu dan Han [23], mengusulkan metode untuk menghitung kebulatan berbasis pada morfologi matematika dan kode rantai. Metode tersebut dapat digunakan untuk citra biner sehingga tahap awal yang dilakukan adalah proses binarisasi metode Otsu. Selanjutnya metode morfologi yaitu opening dan closing dan proses deteksi tepi dan ekstraksi kontur. Selanjutnya metode kode rantai diterapkan pada tepi citra untuk mendapatkan kebulatan 7
8 (circularity). Hasil penelitian menunjukkan bahwa algoritme yang diusulkan sederhana dan efektif serta cukup akurat. Penelitian-penelitian yang telah dilakukan lebih cenderung citra mammogram untuk klasifikasi tingkat keganasan kanker payudara ataupun untuk melakukan pengenalan terhadap karakter tulisan tangan maupun pada citra yang bukan citra medis sementara untuk citra CT pada kasus kanker paru-paru belum banyak dilakukan. Berikut ini adalah beberapa penelitian yang telah dilakukan yang dirangkum pada Tabel 1.1 Tabel 1. 1 Perbandingan keaslian penelitian No Peneliti Data Metode Keterangan 1. Katsumata dkk. [11], Bastawrous dkk [12], Penelitian ini Ekstraksi empat fitur statistik (mean, 31 dataset thorax standard deviation, abnormal yang skewness,kurtosis) dan diperoleh dari satu fitur bentuk Multi Detector (Minimum Directional row (MDCT) Difference Filter) 715 slice citra Ekstraksi fitur CT yang berisi morfologi (area, 25 nodul GGO compactness, dan irregularity) dan fitur diperoleh sensitivitas graylevel (mean intensity value dan maximum intensity value) Dapat disimpulkan bahwa sistem yang diusulkan dapat digunakan di bidang medis Klasifikasi template matching, 92% dan FP 0,76/slice. Metode ANN dapat mengurangi tingkat FP menjadi 0,25/slice tetapi mengurangi tingkat sensitivitas menjadi 84% Tabel 1. 2 Perbandingan keaslian penelitian (lanjutan) No Peneliti Data Metode Keterangan 8
9 3. Yokota dkk. [13], Metode diterapkan pada 31 citra CT yang diperoleh dari LIDC Menghitung keempat sudut dari metode GLCM antara lain energy, entropy, inertia dan correlation. Kemudian area Dengan metode GLCM dan 3D line filter, diperoleh akurasi 93% pembuluh darah dihilangkan 3D line filter. 4. Fesharaki Penelitian ini Ekstraksi fitur bentuk Klasifikasi dan yaitu Fourier Pourghasse citra x-ray Descriptor, Invariant Bayesian Rule dan m [14], dan dibagi Moments dan Zernike diperoleh akurasi menjadi Moments. 82,87% citra untuk training dan 562 citra untuk testing. 5. Asadi dkk. Testing Ekstraksi fitur bentuk Tingkat akurasi [15], Zernike tertinggi diperoleh 800 citra yang Moments. Klasifikasi dengan berbeda dari 4 KNN KNN jenis leukemia. dan minimum mean yaitu mencapai 93% distance Tabel 1. 3 Perbandingan keaslian penelitian No Peneliti Data Metode Keterangan 9
10 6. Sharma dan Penelitian ini Ekstraksi Hasil yang diperoleh Khanna Zernike yaitu sensitivitas 99% [16], citra moment dan klasifikasi dan spesifisitas 99% mammogram SVM untuk IRMA. dari IRMA dan dengan kernel RBF Sensitivitas 97% dan DDSM. pada masing-masing spesifisitas 96% database untuk DDSM. 7. Tahmasbi Dataset Ekstraksi fitur pada Hasil yang diperoleh dkk. [17], diperoleh dari citra mammogram yaitu spesifisitas 2011 Mammography Zernike mencapai 97,5% dan Image Analysis moment. Klasifikasi sensitivitas mencapai Society (MIAS) Multi- 97,6%. yang terdiri dari Layer Perceptron 322 citra (MLP). payudara kiri dan kanan. 8. Weiqiang 93 citra Menggunakan fractal Klasifikasi dkk.[22], mammogram dimension dan menghasilkan massa 2008 dari circularity untuk shape dan boundary Mammography mengetahui shape dari dapat dibedakan Image Analysis massa dengan akurasi Society (MIAS) 92,5% yang terdiri dari 54 citra benign dan 39 citra malignant Tabel 1. 4 Perbandingan keaslian penelitian No Peneliti Data Metode Keterangan 10
11 9. Kale dkk. Dataset terdiri Ekstraksi fitur untuk SVM dan KNN [18], 2013 dari basic dan pengenalan tulisan digunakan untuk compound tangan Devanagari klasifikasi dan character Zernike diperoleh akurasi sehingga moment, SVM dan yang tinggi yaitu terdapat KNN digunakan untuk SVM mencapai karakter. klasifikasi 98,37% dan KNN mencapai 95,82% 10. Chen dan Li Penelitian ini Ekstraksi fitur Hasil penelitian [19], menunjukkan bahwa database DB1 momen Hu. metode yang dari FCV2002. diusulkan dapat Database DB1 membedakan terdiri dari 800 masing-masing sidik citra sidik jari. jari 11. Trbali dkk. Dataset Ekstraksi fitur massa Akurasi yang [20], 2014 diperoleh dari jinak dan ganas pada diperoleh mencapai Mammography citra mammogram 90,4% dengan Image Analysis momen sensitivitas 92% dan Society (MIAS) Zernike, kemudian spesifisitasi 96%. yang terdiri dari klasifikasi 322 citra neural payudara kiri network. dan kanan. 12. Fu dan Han [23], 2012 Citra berbentuk bundar Menggunakan operasi morfologi matematika dan kode rantai untuk memperoleh fitur circularity Algoritme yang diusulkan sederhana dan efektif serta cukup akurat. Tabel 1. 5 Perbandingan keaslian penelitian No Peneliti Data Metode Keterangan 11
12 12. Penelitian Data yang Ekstraksi fitur yang Melakukan pengujian yang akan digunakan digunakan adalah fitur dengan dilakukan terdiri dari 30 berbasis Gray Level citra Co-occurrence metode ekstraksi fitur Matrices (GLCM) GLCM dan fitur untuk GGO kemudian bentuk. Kemudian Zernike Moment dan circularity untuk metode klasifikasi shape. Selanjutnya MLP untuk klasifikasi mengenali jenis lesi. metode Multilayer Perceptron. Perbedaan antara penelitian di atas dengan penelitian yang akan dilakukan adalah penelitian ini akan metode-metode ekstraksi fitur dari metode-metode yang sudah ada pada citra CT scan paru-paru untuk mengenali morfologi lesi kanker paru-paru primer yaitu GGO dan shape yang dapat dijadikan parameter dalam menentukan tingkat keganasan dan jenis resiko pasien. Selain itu, untuk berupaya meningkatkan akurasi maka dilakukan proses seleksi fitur yang dilakukan secara otomatis. 1.4 Tujuan Penelitian Tujuan utama dalam penelitian ini adalah : - Menerapkan metode ekstraksi fitur berdasarkan metode yang telah digunakan sebelumnya untuk mengenali morfologi lesi GGO dan shape pada kasus kanker paru-paru primer. - Menggunakan metode klasifikasi yang bertujuan untuk memperoleh tingkat akurasi yang signifikan dalam mengenali karakteristik morfologi lesi paruparu. - Meningkatkan akurasi pengenalan jenis lesi yang dapat dilakukan melalui beberapa tahap - Evaluasi terhadap hasil klasifikasi. 12
13 1.5 Manfaat Penelitian Penelitian ini diharapkan dapat digunakan oleh radiolog sebagai second opinion dalam mengenali karakteristik morfologi kanker paru-paru primer sehingga dapat menentukan jenis resiko pasien dan tindakan seperti apa yang harus dilakukan. 13
14 14
BAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan penyakit penyebab kematian paling tinggi di dunia, berdasarkan data World Health Organization (WHO) pada tahun 2012 terdapat sekitar 14 juta kasus
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dibahas tentang latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian, dan kontribusi penelitian. Masalah-masalah yang dihadapi berkaitan dengan melakukan
Lebih terperinciBAB I PENDAHULUAN. A.Latar Belakang Masalah. maupun ganas atau disebut dengan kanker paru. Tumor paru dapat bersifat primer
BAB I PENDAHULUAN A.Latar Belakang Masalah Tumor paru adalah tumor pada jaringan paru yang dapat bersifat jinak maupun ganas atau disebut dengan kanker paru. Tumor paru dapat bersifat primer maupun sekunder.
Lebih terperinciBAB I PENDAHULUAN. beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang
BAB I PENDAHULUAN A. Latar Belakang Kanker paru telah menjadi salah satu kanker yang sering terjadi dalam beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang tak terkendali pada
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah suatu penyakit dimana terjadi pertumbuhan berlebihan atau perkembangan tidak terkontrol dari sel-sel jaringan pada bagian tubuh tertentu. Kanker payudara
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit malaria merupakan penyakit yang disebabkan oleh infeksinya parasit malaria terhadap sel darah merah. Parasit malaria tergolong jenis parasit dari genus Plasmodium,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tuberkulosis merupakan penyakit yang disebabkan oleh infeksi mycobacterium tuberculosis complex (bakteri berbentuk basil lurus, sedikit melengkung, tidak berspora dan
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciDAFTAR ISI. Halaman i ii iii iv vi viii ix xi xii xiii
DAFTAR ISI HALAMAN JUDUL... HALAMAN PENGESAHAN... PERNYATAAN... PRAKATA DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN. DAFTAR SINGKATAN... INTISARI.. i ii iii iv vi viii ix xi xii xiii
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii PERNYATAAN... iii DAFTAR ISI... iv DAFTAR TABEL...viii DAFTAR GAMBAR... ix DAFTAR SINGKATAN. x INTISARI xi BAB I. PENDAHULUAN A. Latar Belakang
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan dua kali, dimana setiap eksperimen memiliki perbedaan pada pembagian dari kelas-kelas kanker. Eksperimen pertama
Lebih terperinciBAB I PENDAHULUAN. terkontrol pada jaringan paru. Munculnya kanker ditandai dengan
BAB I PENDAHULUAN A. Latar Belakang Kanker paru adalah penyakit pertumbuhan jaringan yang tidak dapat terkontrol pada jaringan paru. Munculnya kanker ditandai dengan pertumbuhan sel yang tidak normal,
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Kanker payudara adalah jenis kanker yang dimulai pada sel-sel payudara sebagai sekelompok sel kanker, yang kemudian dapat menyerang jaringan di sekitarnya atau menyebar
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan salah satu penyebab utama mortalitas di dunia (sekitar 13% dari seluruh penyebab mortalitas), diperkirakan angka mortalitas sekitar 7,9 juta kematian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB I PENDAHULUAN. Bab I Pendahuluan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perkembangan ilmu biomedikal telah mendorong banyak penelitian dilakukan untuk menghasilkan alat bantu diagnosa berbasis komputer. Salah satunya yaitu pendeteksian
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciBAB 1 PENDAHULUAN. terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kanker payudara telah menjadi salah satu penyebab kematian terbesar yang terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini menjadi
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciDAFTAR ISI HALAMAN PERSETUJUAN... III PERNYATAAN... IV PRAKATA... V DAFTAR ISI... VI DAFTAR GAMBAR... IX DAFTAR TABEL... XII INTISARI...
DAFTAR ISI HALAMAN PERSETUJUAN... III PERNYATAAN... IV PRAKATA... V DAFTAR ISI... VI DAFTAR GAMBAR... IX DAFTAR TABEL... XII INTISARI... XIV ABSTRACT...XV BAB 1 PENDAHULUAN... 1 1.1. Latar Belakang Masalah...
Lebih terperinciReduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Reduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA Made Satria Wibawa 1), Kadek Dwi
Lebih terperinciBAB I PENDAHULUAN. yang menyerang saluran pencernaan. Lebih dari 60 persen tumor ganas kolorektal
BAB I PENDAHULUAN A. Latar Belakang Kanker kolorektal ( colo rectal carcinoma) atau yang biasa disebut sebagai kanker usus besar merupakan suatu tumor ganas terbayak diantara tumor lainnya yang menyerang
Lebih terperinciBAB 1 PENDAHULUAN. tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Di zaman ini, semakin banyak penyakit yang bermunculan dan terjangkit pada tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari makanan
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang. Kanker payudara merupakan diagnosis kanker yang paling sering terjadi pada
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara merupakan diagnosis kanker yang paling sering terjadi pada wanita di dunia. Angka kejadian kanker payudara meningkat lebih dari 20% sejak tahun 2008.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciMetode Segmentasi Paru-Paru dan Jantung Pada Citra X-Ray Thorax
Metode Segmentasi Paru-Paru dan Jantung Pada Citra X-Ray Thorax Abstrak Segmentasi citra merupakan salah satu tahapan dalam pengolahan citra yang penting, terutama dalam dunia medis. Apabila seorang dokter
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Malaria merupakan penyakit mematikan yang disebabkan oleh dari genus dengan perantara nyamuk Anopheles betina. Berdasarkan data WHO, pada tahun 2014 sendiri telah terjadi
Lebih terperinciFourier Descriptor Based Image Alignment (FDBIA) (1)
Fourier Descriptor Based Image Alignment (FDBIA) (1) Metode contour tracing digunakan untuk mengidentifikasikan boundary yang kemudian dideskripsikan secara berurutan pada FD. Pada aplikasi AOI variasi
Lebih terperinciBAB I PENDAHULUAN. saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah tumor ganas yang berasal dari sel kelenjar, saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara (Departemen Kesehatan,
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinciBAB 1 PENDAHULUAN. di bidang pendidikan, keamanan, perkantoran, bahkan pada bidan g
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarangini dunia berada di era digital. Era dimana hampir setiap aspek dalamkehidupan manusia sangat berhubungan erat dengan teknologi komputasi baik di bidang pendidikan,
Lebih terperinciBAB 1 PENDAHULUAN. Data medis manusia adalah salah satu data yang paling bermanfaat
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Data medis manusia adalah salah satu data yang paling bermanfaat namun sulit dari semua data biologis untuk menggali dan menganalisis informasi. Tiga perempat miliaran
Lebih terperinciBABI PENDAHULUAN 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Kebutuhan sistem otomatis dalam dunia industri dan non-industri yang semakin kompleks menyebabkan permintaan pasar terhadap teknologi machine vision semakin meningkat
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciBAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi digital pada era ini berkembang sangat pesat. Hampir setiap tahun telah ditemukan ataupun dikembangkan sebuah inovasi teknologi baru.
Lebih terperincipola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
Lebih terperinciKombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram
Kombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram Diana Purwitasari Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember diana@if.its.ac.id Anugrah Nahari Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah. terbesar penyebab kematian antara lain kanker paru, payudara, kolorektal, prostat,
BAB I PENDAHULUAN A. Latar Belakang Masalah Kanker merupakan salah satu penyebab kematian terbesar di seluruh dunia. Pada tahun 2012 sekitar 8,2 juta kematian diakibatkan oleh kanker. Lima jenis kanker
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang kwh-meter merupakan alat yang digunakan untuk mengukur besarnya pemakaian energi listrik pada suatu bangunan atau gedung [1]. Berdasarkan sistem pembayarannya,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendarahan Otak adalah suatu kondisi dimana terdapat darah di jaringan otak baik itu di dalam otak (Intracerebral) maupun diantara lapisan-lapisan pelindung otak (Cranial
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Produk industri dirancang untuk melakukan fungsi atau tugas tertentu dalam memenuhi kebutuhan pengguna. Seorang pengguna (user) produk industri memiliki harapan
Lebih terperinciPengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere
PRESENTASI TUGAS AKHIR Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere Yusuf Ardiansjah (5107100156) Dosen Pembimbing : Nanik Suciati,
Lebih terperinciBAB I PENDAHULUAN. Kanker serviks atau sering disebut dengan kanker leher rahim adalah
BAB I PENDAHULUAN A. Latar Belakang Kanker serviks atau sering disebut dengan kanker leher rahim adalah kanker yang terjadi pada leher rahim, yaitu organ yang menghubungkan rahim dengan vagina. Penyakit
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciBab I. Pendahuluan. dibutuhkan. Tidak hanya untuk memudahkan proses penyimpanan dan
Bab I Pendahuluan I. 1 Latar Belakang Dewasa ini, kebutuhan akan sebuah teknologi yang mampu menganalisis dan mengklasifikasikan berbagai citra ke dalam kelas-kelas yang sesuai sangat dibutuhkan. Tidak
Lebih terperinciBAB I PENDAHULUAN. atau yang disebut dengan cardiomegaly. Pemantauan pembesaran jantung
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit jantung merupakan pembunuh yang paling berbahaya saat ini yang menjadikannya sebagai penyebab kematian nomor satu di dunia (WHO, 2012). Salah satu tanda penyakit
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih terperinciBAB II TINJAUAN PUSTAKA. teori yang sesuai dengan penelitian printer forensik
BAB II TINJAUAN PUSTAKA Pada bagian ini akan menguraikan tentang tinjauan pustaka dan landasan teori yang sesuai dengan penelitian printer forensik 2.1 Tinjauan Pustaka Penelitian printer forensik untuk
Lebih terperinciPOSITRON, Vol. III, No. 2 (2013), Hal ISSN :
Analisis Fraktal Citra Mammogram Berbasis Tekstur Sebagai Pendukung Diagnosis Kanker Payudara Muspika Helja 1), Nurhasanah 1), Joko Sampurno 1) 1) Program Studi Fisika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciSegmentasi Bagian Paru-Paru di Citra 2D CT-Scan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Segmentasi Bagian Paru-Paru di Citra 2D CT-Scan Naser Jawas STIKOM Bali Jl. Raya Puputan no.86 Renon Denpasar e-mail: naser.jawas@stikom-bali.ac.id
Lebih terperinciKlasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM)
IJCCS, Vol.8, No.1, January 2014, pp. 59~68 ISSN: 1978-1520 59 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Refta Listia* 1, Agus Harjoko 2 1 Prodi S2/S3 lmu
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih terperinciEktraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
Lebih terperinciKlasifikasi Citra Paru-Paru dengan Ekstraksi Fitur Histogram dan Jaringan Syaraf Tiruan Backpropagation
Klasifikasi Citra Paru-Paru dengan Ekstraksi Fitur Histogram dan Jaringan Syaraf Tiruan Backpropagation Hasan Bisri (1108 100 703) Page 1 Pendahuluan Latar Belakang: Pengolahan citra digital dapat digunakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1 Definisi Pengolahan Citra Citra disebut sebagai gambaran dari objek yang telah mengalami perubahan dalam pengolahan. Pengolahan citra digital adalah suatu metode yang digunakan
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai bidang antara lain bidang teknologi informasi, arkeologi, astronomi, biomedis,
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263 DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciBAB I PENDAHULUAN. Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh
BAB I PENDAHULUAN A. Latar Belakang Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh dan bersifat ganas. Sel-sel tersebut dapat tumbuh lebih lanjut serta menyebar ke bagian tubuh
Lebih terperinciterdapat tiga tahapan pemeriksaan secara dini yaita (1) pemeriksaan sendiri, (2) pemeriksaan yang dilakukan oleh tenaga medis yang bertujuan untuk men
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Jenis kelainan pada tulang punggung manusia bermacam-macam, bergantung pada faktor umur, kebiasaan, dan kecelakaan/virusbakteri. Skoliosis adalah kelainan tulang belakang
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Tanaman merupakan bagian penting dalam ekosistem, berbagai jenis tanaman telah digunakan selama berabad-abad dalam bidang pangan, papan, maupun obat-obatan. Gloria Samantha
Lebih terperinciBAB I PENDAHULUAN. umum adalah 4-8 %, nodul yang ditemukan pada saat palpasi adalah %,
BAB I PENDAHULUAN Nodul tiroid merupakan permasalahan yang sering dijumpai dalam masyarakat dengan angka kejadian yang semakin meningkat seiring bertambahnya usia. Pada banyak penelitian dikemukan bahwa
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciBAB I PENDAHULUAN. organ dalam tubuh seperti Computed Tomography (CT) scan, Digital
BAB I PENDAHULUAN A. Latar Belakang Perkembangan jaman menghantarkan masyarakat dunia masuk ke era globalisasi dimana tidak ada keterbatasan ruang dan waktu yang melingkupi berbagai aspek. Kemajuan teknologi
Lebih terperinci(Adaptive Neuro- akurasi 58,33% untuk 9 kelas output
BAB I PENDAHULUAN 1.1 Latar Belakang Tulisan tangan merupakan hasil dari pikiran bawah sadar manusia yang menggambarkan atau mencerminkan karakter kepribadian manusia. Ilmu yang mempelajari tentang tulisan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sel Darah Merah Sel yang paling banyak di dalam selaput darah adalah sel darah merah atau juga dikenal dengan eritrosit. Sel darah merah berbentuk cakram bikonkaf dengan diameter
Lebih terperinciKlasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor
Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor Febri Liantoni Jurusan Teknik Informatika, Institut Teknologi Adhi Tama, Surabaya, Indonesia febri.liantoni@gmail.com
Lebih terperinciBAB I 1 PENDAHULUAN. 1.1 Latar Belakang
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Bidang komputer merupakan suatu bidang yang tidak akan pernah berhenti dan selalu berkembang kegunaanya hingga sekarang ini. Teknologi baru dan aplikasi baru selalu
Lebih terperinciKlasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor
Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor Febri Liantoni Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Adhi Tama Surabaya, Indonesia
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB I PENDAHULUAN. syaraf pusat yang mengkoordinir, mengatur seluruh tubuh dan pemikiran manusia.
BAB I PENDAHULUAN A. Latar Belakang Masalah Otak adalah bagian penting dari tubuh manusia karena otak merupakan syaraf pusat yang mengkoordinir, mengatur seluruh tubuh dan pemikiran manusia. Cidera sedikit
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB II KAJIAN TEORI. terutama asap rokok. Menurut World Health Organization (WHO), kanker
BAB II KAJIAN TEORI A. Kanker Paru Kanker paru adalah pertumbuhan sel kanker yang tidak terkendali dalam jaringan paru yang dapat disebabkan oleh sejumlah karsinogen, terutama asap rokok. Menurut World
Lebih terperinciSegmentasi Region Growing Untuk Deteksi Nodul Sebagai Indikasi Kanker Paru
Segmentasi Region Growing Untuk Deteksi Nodul Sebagai Indikasi Kanker Paru Rodiah 1, Ferhat Nuh Riza 2 1,2 Universitas Gunadarma, Jl.Margonda Raya 100 Pondok Cina Depok 1 rodiah@staff.gunadarma.com 2 bluespreak@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman, teknologi di bidang medis saat ini semakin berkembang. Teknologi sendiri sudah menjadi kebutuhan di segala bidang khususnya bidang biomedis.
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB II LANDASAN TEORI...
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN PEMBIMBING... ii LEMBAR PERNYATAAN KEASLIAN HASIL TESIS... iii LEMBAR PENGESAHAN PENGUJI... iv PERSEMBAHAN... v MOTTO... vi KATA PENGANTAR... vii SARI...
Lebih terperinci