Detail Karya Ilmiah

  • IDENTIFIKASI ACUTE LYMPHOBLASTIC LEUKEMIA PADA CITRA SEL DARAH MIKROSKOPIS MENGGUNAKAN SEGMENTASI FUZZY C-MEANS DAN KLASIFIKASI NAIVE BAYES
    Penulis : Dyah Ayu Ekowati Saputri
    Dosen Pembimbing I : Dr.Arif Muntasa, S.Si.,M.T
    Dosen Pembimbing II :Dr.Indah Agustien Siradjuddin. S.Kom., M.Kom
    Abstraksi

    Pada Proses identifikasi Leukemia ada beberapa masalah yang terjadi yaitu lamanya proses atau prosedure dimana memakan waktu yang lama sehingga membuat proses identifikasi tidak efisien. Dengan adanya permasalahan tersebut maka akan diselesaikan menggunakan metode Naive Bayes sebagai proses klasifikasi. Algoritma pengolahan citra yang digunakan adalah contras stretching dengan menggunakan metode Fuzzy c-means (FCM) sebagai proses segmentasi dan ekstraksi ciri menggunakan Gray Level Cooccurence Matrix (GLCM) dengan menggunakan 6 fitur GLCM berdasarkan sudut 0°, 45°, 90° dan 135°. Tujuan dari penelitian ini adalah mengimplementasikan Algoritma Naive Bayes sebagai klasifikasi leukemia apakah termasuk ALL_positif atau ALL_negatif dan mengetahui hasil akurasi dari sistem yang dibuat. Pada proses pengujian digunakan 260 citra yaitu 130 ALL-Positif dan 130 ALL-Negatif. Hasil penelitian menunjukkan bahwa klasifikasi berdasarkan ekstraksi fitur GLCM mendapat akurasi sebesar 78% dalam mengklasifikasi sel darah putih.

    Abstraction

    In identification process of leukemia there are some problems such as the length of time duration or procedure that takes long time that causes identification process becomes less efficient. Because of that problem , so it will be solved by using naïve bayes method as the classification process. The used processing image algorithm is contras stretching by using Fuzzy c-means method as segmentation process and characteristic using Gray Level Cooccurence Matrix(GLCM) with 6 features according to the angle of 0°, 45°, 90° and 135°. Purpose of this research is by implementing Naïve bayes algorithm as leukemia classification whether it includes ALL_positif or ALL_negatif and to know the accuracy rate for the created system. In testing process, used 260 images they are 130 ALL-Positif and 130 ALL-Negatif. Result of this research shows that the classification according to feature extraction of GLCM gets 78% for the accuracy.

Detail Jurnal