Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

190401025

Judul :

Klasifikasi Citra Tumor Otak Menggunakan Histogram of Oriented Gradients Dan Algoritma Multilayer Perceptron

Penulis :

ANDRI AHMAD BUDIARGO

Abstrak :

Tumor otak merupakan penyakit serius yang membutuhkan deteksi dini serta klasifikasi jenis yang akurat guna mendukung penanganan medis yang tepat. Namun, identifikasi citra MRI otak masih menghadapi keterbatasan akibat kualitas citra yang sulit diinterpretasikan oleh tenaga medis. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan metode klasifikasi citra tumor otak berbasis ekstraksi fitur Histogram of Oriented Gradients (HOG) dan algoritma Multilayer Perceptron (MLP). Dataset citra MRI diperoleh dari Kaggle, kemudian diproses melalui tahapan resizing, ekstraksi fitur HOG, dan klasifikasi dengan MLP. Evaluasi dilakukan menggunakan berbagai skenario split data (70:30, 80:20, dan 90:10) dengan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa penerapan fitur HOG secara signifikan meningkatkan performa model MLP. Model MLP dengan HOG mencapai akurasi tertinggi 96.02% pada skenario split data 90:10, lebih unggul dibandingkan model tanpa HOG yang hanya memperoleh akurasi 88.76%. Tren evaluasi juga memperlihatkan bahwa semakin besar proporsi data latih, performa model semakin meningkat. Kombinasi HOG dan MLP efektif dalam mengklasifikasikan citra tumor otak berbasis MRI dengan hasil yang konsisten dan akurat. Temuan penting penelitian ini menegaskan bahwa ekstraksi fitur HOG tidak hanya meningkatkan kemampuan model dalam mengenali pola citra medis, tetapi juga berkontribusi terhadap efisiensi diagnosis berbantuan komputer dalam mendukung proses medis. Kata Kunci: Histogram of Oriented Gradients, Klasifikasi Citra, MRI (Magnetic Resonance Imaging), Multilayer Perceptron, Tumor Otak.

Abstrak Inggris :

Brain tumors are serious diseases that require early detection and accurate classification to support appropriate medical treatment. However, the identification of brain MRI images still faces limitations due to image quality that is difficult for medical personnel to interpret. To address this problem, this study proposes a brain tumor image classification method based on Histogram of Oriented Gradients (HOG) feature extraction and the Multilayer Perceptron (MLP) algorithm. The MRI image dataset was obtained from Kaggle, then processed through the stages of resizing, HOG feature extraction, and classification with MLP. Evaluation was carried out using various data split scenarios (70:30, 80:20, and 90:10) with accuracy, precision, recall, and F1-score metrics. The results showed that the application of the HOG feature significantly improved the performance of the MLP model. The MLP model with HOG achieved the highest accuracy of 96.02% in the 90:10 data split scenario, superior to the model without HOG which only achieved an accuracy of 88.76%. The evaluation trend also showed that the greater the proportion of training data, the better the model performance. The combination of HOG and MLP is effective in classifying MRI-based brain tumor images with consistent and accurate results. This study's key findings confirm that HOG feature extraction not only improves the model's ability to recognize medical image patterns but also contributes to the efficiency of computer-aided diagnosis in supporting the medical process. Keywords: Brain Tumor, MRI (Magnetic Resonance Imaging), Histogram of Oriented Gradients, Multilayer Perceptron, Image Classification.

Tahun :

2025

Cover :

Bab 1 :

Bab 2 :

Bab 3 :

Bab 4 :