Klasifikasi Mammogram Menggunakan Vektor Fitur dan Naive Bayes Classifier

NG, ANGRIES and Diaz, Santika (2013) Klasifikasi Mammogram Menggunakan Vektor Fitur dan Naive Bayes Classifier. Masters thesis, Universitas Pelita Harapan.

	Text Thesis.docx Download (840kB)
	Text Jurnal Ilmiah Angries.pdf Download (476kB)

Abstract

Klasifikasi Mammogram Menggunakan Vektor Fitur dan Naive Bayes Classifier ABSTRACT Choosing the best features is very important in order to get better result in accuracy when we classify mammogram images into normal and abnormal (benign and malignant) categories. This study is aimed to evaluate various set of features such as GLCM, GLRLM, and Chip Histogram in order to find the best features combination. The classifying process is performed by Naïve Bayes classifier and facilitated by WEKA. The experiment results show that the combination of entropy, energy, contrast, sum average, variance, correlation, maximum probability, inverse difference moment, cluster shade features and using adaphisteq-adjust enhanced images can give best result (78%) in accuracy in normal/ abnormal classifying. Further study, on abnormal mammogram images, show that better accuracy (68%) can be obtained through the combination of same features as normal/ abnormal classification, but with unenhanced images in benign/ malignant classifying. Keywords: Features, Mammograms, Naïve Bayes classifier, WEKA ABSTRAK Pemilihan fitur sangat penting untuk mendapatkan keakuratan yang lebih baik ketika kita mengklasifikasikan mammogram ke dalam kategori normal dan abnormal (jinak dan ganas). Studi ini bertujuan untuk mengevaluasi beragam perangkat fitur, seperti GLCM, GLRLM, dan Chip Histogram untuk menemukan kombinasi terbaik fitur. Proses klasifikasi dilakukan oleh Naïve Bayes classifier dan difasilitasi oleh WEKA. Hasil penelitian menunjukkan bahwa kombinasi fitur entropi, energi, kontras, jumlah rata-rata, varian, korelasi, kemungkinan maksimum, perbedaan momen inverse, klaster bayangan, dan peningkatan gambar dengan adaphisteq-adjust dapat memberikan hasil terbaik (78%) dalam akurasi klasifikasi normal/ abnormal. Studi lebih lanjut, pada mammogram abnormal, menunjukkan akurasi yang terbaik (68%) yang dapat diperoleh melalui kombinasi fitur yang sama seperti kombinasi fitur pada klasifikasi normal/ abnormal, namun tanpa peningkatan gambar dalam klasifikasi jinak/ ganas. Kata kunci: Fitur, Mammogram, Naïve Bayes classifier, WEKA

Item Type:	Thesis (Masters)
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Ms Angries NG
Date Deposited:	15 Feb 2021 03:54
Last Modified:	30 Jun 2021 07:56
URI:	http://repository.upi-yai.ac.id/id/eprint/2633

Actions (login required)

View Item