IDENTIFIKASI TUMOR HATI MENGGUNAKAN METODE PCA (PRINCIPLE COMPONENT ANALYST)

Fitri Surya Ningsih, (Alm) Prof. DR. Thomas Sri Widodo, DEA, ; DR. Indah Soesanti, ST, MT,

2013 | Tesis | S2 Mag.Teknik Instrumentasi

Ekstraksi ciri tumor pada hepar dilakukan untuk mengidentifikasi tumor sehingga mewakili pengenalan pola stuktur, yang selanjutnya data digunakan untuk tahap pembelajaran, pelatihan dan pengujian. Hasil dari pembelajaran, pelatihan dan pengujian data citra hepar dimasukkan pada klasnya masing-masing dan mengelompokkannya pada klas tumor dan klas normal. Hasil ekstraksi cirri didapat dari eigen vector dengan eigen value terbesar. Untuk pengenalan pola dan klasifikasi dengan mencocokkan kalkulasi eigenvalue dan eigenvector dari basis data dan diambil eigenvector yang mendekati eigenvalue, kemudian diambil 2 data sebagai data referensi yang digunakan oleh basis data. Keberhasilan proses identifikasi pengenalan pola citra hepar dari 2 data referensi adalah sebesar 100%, walaupun terdapat pembacaan data citra yang berbeda tapi masih sesuai dengan klasnya tumor dan normal. Sedangkan untuk data tanpa pembelajaran, pengujian terhadap semua data dengan 2 data referensi, terlihat bahwa proses identifikasi semua citra terbaca 100% untuk citra tumor dan identifikasi untuk data citra normal sebanyak 100% juga.

Tumor feature extraction to liver is performed to identify tumor as it represent the structure pattern identification, furthermore the data shall be used for learning phase, education and examination. The result of liver data learning, education and examination shall be classification into its classification those are tumor group and normal group. The characteristic extraction has captured from biggest of eigen vector value. Pattern identification and classification is done by comparing eigenvalue calculation and eigenvector from database that taken by eigenvector as closest to eigen value, then 2 data is taken as reference and shall be used to database. Achievement of liver identification image pattern process from 2 data reference is 100%, even though there are few anomalies on image data readings but still categorized into its classification correctly. Meanwhile for data without learning, observation is done to 2 reference data and shows 100% captured for tumor images and normal images as well.

Kata Kunci : identifikasi tumor, PCA, citra tumor, citra normal, ekstraksi ciri, nilai eigen, vektor eigen dan pengambangan.