KLASIFIKASI PENYAKIT KANKER PAYUDARA MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DAN RANDOM FOREST PADA CITRA MAMMOGRAM BERBASIS PYTHON

Latifah, Adelia (2025) KLASIFIKASI PENYAKIT KANKER PAYUDARA MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DAN RANDOM FOREST PADA CITRA MAMMOGRAM BERBASIS PYTHON. S1 thesis, Fisika Medis.

	Text Skripsi full teks.pdf Restricted to Repository staff only Download (11MB)
	Text Cover Adelia Latifah.pdf Download (486kB)
	Text Lembar pengesan .pdf Download (104kB)
	Text Abstrak Adelia Latifah.pdf Download (115kB)
	Text BAB I.pdf Download (103kB)
	Text BAB V.pdf Download (94kB)
	Text Daftar Pustaka.pdf Download (129kB)

Abstract

Telah dilakukan penelitian Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Convolutional Neural Network (CNN) dan Random Forest pada Citra Mammogram berbasis Python. Dalam upaya klasifikasi penyakit kanker payudara, analisis dilakukan berdasarkan citra mammogram. Algoritma Convolutional Neural Network (CNN) dan Random Forest dipilih menjadi metode utama dalam analisis ini melalui penerapan dengan Python. Penelitian ini bertujuan untuk menerapkan dan membandingkan algoritma Convolutional Neural Network (CNN) dan Random Forest dalam hal accuracy, precision, recall, dan F1-score dalam klasifikasi penyakit kanker payudara berdasarkan dataset citra mammogram. Salah satu langkah awal yang dilakukan dalam pengumpulan data dengan menggunakan platform terbuka yaitu Kaggle, yang mencakup 2 kategori dalam citra mammogram payudara yaitu tumor jinak (benign) dan tumor ganas (malignant). Data yang diperoleh kemudian di preprocessing dengan cara pembersihan data untuk menghilangkan noise atau gangguan yang mungkin ada pada citra mammogram, dilanjutkan dengan normalisasi intensitas piksel. Ekstraksi fitur juga dilakukan untuk membedakan ciri khas setiap jenis kanker payudara. Seluruh dataset kemudian diubah ke format yang sesuai dan dikonversi menjadi format warna yang diperlukan untuk memastikan fokus pada fitur dalam citra. Augmentasi data untuk menyeimbangkan data yang tidak seimbang, dengan menggunakan pemrograman Python, khususnya melalui syntax yang sesuai, proses visualisasi menjadi lebih efisien dan efektif. Interpretasi yang mendalam dan jelas mengenai perbedaan visual antara setiap jenis kanker, memudahkan dalam analisis dan penentuan diagnosis. Model CNN dan Random Forest dilatih dan dievaluasi berdasarkan matriks yang digunakan. Proses pembagian dataset menjadi data latih dan data uji dilakukan dengan parameter random_state=42 untuk memastikan model memiliki kemampuan yang baik. Hasil evaluasi menunjukkan akurasi yang tinggi. Model CNN mencapai accuracy sebesar 97%, precision 90%, recall 94%, dan F1-score 92%. Sementara itu, model Random Forest mencatat hasil dengan accuracy 95%, precision 86%, recall 91%, dan F1-score 88%. Model CNN yang dikembangkan memiliki performa yang lebih baik dalam mengklasifikasikan jenis-jenis kanker payudara dengan accuracy yang tinggi. Penelitian ini menawarkan solusi diagnostik yang potensial untuk mendukung penanganan penyakit kanker payudara.

Type:	Thesis (S1)
Subjects:	Q Science > QC Physics
Depositing User:	ADELIA LATIFAH
Date Deposited:	12 Jun 2025 07:59
Last Modified:	12 Jun 2025 07:59
URI:	https://repository.unja.ac.id/id/eprint/79757

Actions (login required)

View Item