Deteksi CT penyakit ginjal dengan ekstraksi fitur GLCM dan menggunakan metode klasifikasi Kernel Extreme Learning Machine (KELM)

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Maulidiyah, Arifah Khairina (2024) Deteksi CT penyakit ginjal dengan ekstraksi fitur GLCM dan menggunakan metode klasifikasi Kernel Extreme Learning Machine (KELM). Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Arifah Khairina Maulidiyah_09040220049 OK.pdf Download (1MB)
	Text Arifah Khairina Maulidiyah_09040220049 Full.pdf Restricted to Registered users only until 25 July 2027. Download (5MB)

Abstract

Penyakit ginjal adalah kondisi atau gangguan yang terjadi pada organ ginjal sehingga mempengaruhi fungsi ginjal. Gangguan pada organ ginjal yang umum terjadi antara lain, kista ginjal, tumor ginjal, dan batu ginjal. Penyakit ini dapat mempengaruhi fungsi ginjal jika tidak ditangani dan jika semakin parah dapat menyebabkan penyakit ginjal kronis dan dapat menyebabkan kematian. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan penyakit ginjal dengan menerapkan Gray Level Co-occurrence Matrix (GLCM) sebagai ekstraksi fitur dan Kernel Extreme Learning Machine (KELM) sebagai metode klasifikasi berdasarkan citra CT ginjal. Pada penelitian ini proses klasifikasi dibagi kedalam empat kelas yaitu Cyst, Normal, Stone, dan Tumor yang merupakan data citra CT-Radiography dalam bentuk perpotongan axial dan coronal, dan diperoleh dari website Kaggle. Data yang digunakan sebesar 4232 data citra, pada tiap kelasnya berjumlah 1058 yang terdiri dari masing-masing citra axial dan coronal berjumlah sebesar 529 data. Tahapan proses klasifikasi akan dibagi data secara acak dengan menggunakan teknik k-fold cross validation dimana menggnakan nilai k=5 dan k=10 dan menggunakan fungsi kernel Radial Basis Function (RBF). Berdasarkan beberapa uji coba yang telah dilakukan berdasarkan pembagian data dan parameter yang digunakan pada KELM seperti, σ dan nilai C maka diperoleh model yang optimal yaitu pada sudut 90◦ dengan persentase nilai akurasi, sensitifitas, dan spesitifitas berturut-turut sebesar 98.35%, 98.34%, dan 99.44% dan membutuhkan waktu training (runtime) selama 15.91 detik, pada pembagian data dengan nilai k = 10, σ sebesar 10^(−2) dan nilai C adalah 10^(4).

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Maulidiyah, Arifah Khairina arifahmaulidiyah47815@gmail.com 09040220049
Contributors:	Contribution Name Email NIDN Thesis advisor Ulinnuha, Nurissaidah nuris.ulinnuha@uinsby.ac.id 2002119001 Thesis advisor Hakim, Lutfi lutfihakimbungah@gmail.com 2025127301
Subjects:	Kesehatan Kesehatan Kecerdasan Matematika
Keywords:	Penyakit Ginjal; Gray Level Co-occurrence Matrix (GLCM); Kernel Extreme Learning Machine (KELM); Radial Basis Function (RBF)
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Arifah Khairina Maulidiyah
Date Deposited:	25 Jul 2024 01:33
Last Modified:	25 Jul 2024 01:33
URI:	http://digilib.uinsa.ac.id/id/eprint/72181

Actions (login required)

View Item