Optimasi parameter Support Vector Machine (SVM) classiﬁer menggunakan Fireﬂy Algorithm (FFA) optimization untuk klasiﬁkasi MRI tumor otak

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Wahyuni, Dewi (2019) Optimasi parameter Support Vector Machine (SVM) classiﬁer menggunakan Fireﬂy Algorithm (FFA) optimization untuk klasiﬁkasi MRI tumor otak. Undergraduate thesis, UIN Sunan Ampel Surabaya.

Text
Dewi Wahyuni_H02216003.pdf
Download (2MB)

Abstract

Penyakit tidak menular yang sering menjadi penyebab kematian di dunia, salah satunya adalah tumor otak. Selain itu, tumor otak juga menjadi tumor dengan tingkat keganasan kedua setelah tumor darah (leukemia). Penyakit tumor otak berdampak pada penurunan kualitas hidup penderitanya, mengakibatkan beban sosial dan ekonomi bagi negara, keluarga, dan masyarakat. Pada penelitian ini, dilakukan pengolahan citra digital untuk mengklasiﬁkasikan tumor otak dan otak normal sebagai diagnosa penyakit tumor otak. Proses yang dilakukan pada citra digital yaitu pre-processing dengan histogram equalization dan median ﬁlter. Selanjutnya dilakukan ekstraksi ﬁtur dengan GLCM dan klasiﬁkasi menggunakan FFA-SVM. Penelitian dilakukan pada 120 data MRI otak dengan proses learning menggunakan metode k-fold dengan k = 5. Berdasarkan pada proses learning FFA-SVM, diperoleh dua model terbaik, yaitu FFA-SVM kernel RBF dengan C = 1874.654 dan γ = 19.191 dan FFA-SVM kernel polynomial dengan C = 1796.125, γ = 19.765, r = 0.0005 dan d = 6.956. Berdasarkan confusion matrix, akurasi dari kedua model yang didapatkan sebesar 95.83%. Berdasarkan waktu komputasi pada sistem, FFA-SVM kernel RBF meghasilkan waktu sebesar 0.016 detik dan FFA-SVM kernel polynomial menghasilkan waktu sebesar 4.784 detik.