DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION

Iswanto, Rudi (2014) DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION. Other thesis, Universitas Sebelas Maret.

[img]
Preview
PDF - Published Version
Download (433Kb) | Preview

    Abstract

    RUDI ISWANTO Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret ABSTRAK Efusi pleura merupakan salah satu penyakit paru yang dapat diperiksa menggunakan radiologi thorax dengan sinar rontgen. Sampai saat ini, jumlah dokter spesialis paru di Indonesia baru memenuhi sekitar 40%-46% dari kebutuhan ideal, sehingga mengakibatkan penanganan terhadap penyakit paru masih belum optimal, salah satunya adalah penanganan masalah pendiagnosaan penyakit paru yang hanya bisa dilakukan oleh dokter spesialis paru. Melihat kondisi tersebut, diusulkan suatu penelitian penggunaan sistem cerdas untuk mendiagnosa penyakit paru berdasarkan foto rontgen untuk membantu dalam pendiagnosaan penyakit paru efusi pleura. Penelitian yang diusulkan menggunakan pendekatan algoritma Possibilistic Fuzzy Learning Vector Quantization (PFLVQ). Data yang digunakan sebagai masukan dalam sistem merupakan data foto rontgen yang sebelumnya sudah dilakukan pengolahan citra yang meliputi ekstraksi ciri Discrete Cosine Transform (DCT) dan statistical texture features extraction serta normalisasi data dengan min-max normalization. Akurasi sistem yang menggunakan pendekatan PFLVQ kemudian akan dibandingkan dengan sistem yang menggunakan pendekatan Fuzzy Learning Vector Quantization (FLVQ). Hasil dari pengujian dapat disimpulkan bahwa sistem diagnosa penyakit paru dengan pendekatan PFLVQ dapat dibuat dan memiliki akurasi 83% saat diuji dengan data training dan 78% saat diuji dengan data testing. Sedangkan sistem yang menggunakan pendekatan FLVQ memiliki akurasi 77% saat diuji dengan data training dan 73% saat diuji dengan data testing. Dari perbandingan akurasi tersebut, sistem dengan pendekatan PFLVQ memiliki akurasi yang lebih baik dibandingkan dengan sistem yang menggunakan pendekatan FLVQ. Kata Kunci : Efusi Pleura, Foto Rontgen, Possibilistic Fuzzy Learning Vector Quantization

    Item Type: Thesis (Other)
    Subjects: Q Science > QA Mathematics
    Q Science > QA Mathematics > QA75 Electronic computers. Computer science
    Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Informatika
    Depositing User: Gunasih gunasih
    Date Deposited: 01 Oct 2015 19:33
    Last Modified: 01 Oct 2015 19:33
    URI: https://eprints.uns.ac.id/id/eprint/19891

    Actions (login required)

    View Item