WIJANARKO, Dimas (2025) Perbandingan Nilai Akurasi Kombinasi Fitur Ekstraksi GLCM, GLSZM, Dan GLRLM Dengan Algoritma Klasifikasi RF, DT, Dan SVM Untuk Deteksi Tumor Paru-Paru. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (158kB)
	Text 5. Halaman Pengesahan.pdf Download (352kB)
	Text 7. Kata pengantar.pdf Restricted to Repository staff only Download (200kB) | Request a copy
	Text 8. Daftar Isi (2).pdf Download (292kB)
	Text 13. Abstrak.pdf Download (229kB)
	Text 14. Abstract.pdf Download (172kB)
	Text 14. Abstract.pdf Download (172kB)

Abstract

ABSTRAK
Kanker paru-paru adalah satu dari banyaknya jenis kanker paling mematikan di
dunia, dan deteksi dini sangat diperlukan untuk meningkatkan peluang
kelangsungan hidup pasien. Penelitian ini bertujuan untuk membandingkan
kombinasi fitur tekstur Gray Level Co-occurrence Matrix (GLCM), Gray Level Size
Zone Matrix (GLSZM), dan Gray Level Run Length Matrix (GLRLM) dengan
algoritma klasifikasi Random Forest, Decision Tree, dan Support Vector Machine
(SVM) dalam mendeteksi tumor paru-paru menggunakan citra CT-Scan. Citra CT
Scan diproses menggunakan ketiga metode ekstraksi tersebut untuk memperoleh
informasi tekstur dari jaringan paru-paru. Hasil ekstraksi kemudian diklasifikasikan
menggunakan tiga algoritma machine learning yakni Random Forest, Decision
Tree, dan SVM. Hasil pengujian menunjukkan bahwa kombinasi fitur GLSZM dan
GLRLM dengan algoritma Random Forest memberikan akurasi tertinggi sebesar
98%, disusul GLCM dengan Decision Tree sebesar 97%. Sebaliknya, algoritma
SVM secara konsisten menunjukkan akurasi terendah di semua jenis fitur ekstraksi,
berkisar antara 86,36% hingga 86,81%. Temuan ini menunjukkan bahwa algoritma
klasifikasi, khususnya Random Forest, memiliki pengaruh lebih besar dan paling
konsistem terhadap akurasi dibandingkan jenis fitur ekstraksi yang digunakan.
Kata kunci: kanker paru-paru, CT-Scan, fitur tekstur, machine learning, GLCM,
GLSZM, GLRLM, Decision Tree, Random Forest, Support Vector Mechine

Actions (login required)

View Item