Anda di halaman 1dari 3

Nama : Fitri Ananda

NIM : 21060114120003
REVIEW PAPER PENDETEKSIAN KANKER PAYUDARA

No Penulis Judul Diterbitkan/Vol/ Metode Hasil


Edisi/Tahun
1. Imam Santoso, Identifikasi Keberadaan TRANSMISI, Simulasi Analisis Nilai rata-rata ekstraksi ciri menggunakan
Ajub Ajulian Kanker Pada Citra Jurnal Teknik Tekstur untuk wavelet Haar untuk citra massa adalah
Zahra, Dane Mammografi Elektro, medeteksi kanker 4058.8325, untuk citra mikroklasifikasi adalah
Kurnia Putra Menggunakan Metode Volume11, payudara dengan 4308.2647 dan untuk citra normal adalah
Wavelet Haar Nomor 2, Juni mengidentifikasi 3580.5374.
2009, Hlm. 100- jaringan ke dalam Pada percobaan dengan perbaikan kualitas
106 gambar mammogram menggunakan 42 citra uji, 35 citra mampu
menggunakan metode dikenali. Pada percobaan tanpa perbaikan kualitas
Wavelet Haar. menggunakan 10 citra uji, hanya 5 citra yang
dikenali.
Dari gambar citra mammografi yang telah
melalui proses ROI dan perbaikan kualitas
dengan menggunakan wavelet Haar mampu
mengenali sebesar 86%, dengan rasio kesalahan
14%. Dari gambar citra mammografi yang telah
melalui proses ROI tanpa perbaikan kualitas
dengan menggunakan wavelet Haar mampu
mengenali sebesar 50%.
2. Freyssenita Analisis Contrast JURNAL Simulasi Analisis CLAHE mampu meningkatkan akurasi hasil
Kanditami P, Limited Adaptive ELEKTRO, Vol. Tekstur untuk klasifikasi hingga 100 % pada proses training
Deni Saepudin, Histogram Equalization 7, No. 1, April mendeteksi kanker dan testing pada region size 4 dan clip factor 0,5.
Achmad Rizal (CLAHE) Dan Region 2014: 15-18 payudara dengan Sebelum menggunakan CLAHE, akurasi hasil
Growing Dalam deteksi mengidentifikasi klasifikasi hanya mencapai 90% untuk proses
Nama : Fitri Ananda
NIM : 21060114120003
REVIEW PAPER PENDETEKSIAN KANKER PAYUDARA
Gejala Kanker Payudara jaringan ke dalam training dan 80% untuk testing pada 40 data
Pada Citra Mammogram gambar mammogram training dan 20 data testing.
dimana identifikasi Semakin besar nilai region size, maka hasil
tumor terdiri dari image segmentasi pada region growing akan semakin
enhancement dengan buruk. Berdasarkan penilaian ahli ketika region
CLAHE, ekstraksi ciri, size bernilai 8 dan 16 lebih dari 70% hasil
klasifikasi dan segmentasi diberi nilai 1 yang berarti
segmentasi mengekstrak bagian bukan tumor.
tumor dengan region
growing.

3. Ali KELES, Extracting Fuzzy Rules Received: Diagnosis kanker Metode Neuro-Fuzzy digunakan untuk
Ayturk KELES For The Diagnosis Of 24.12.2010 payudara dengan membedakan antara jinak dan ganas dari temuan
Breast Cancer Accepted: mengetahui lebih lanjut mamografi. Metode Neuro-Fuzzy ini telah
27.06.2011 aturan Fuzzy memberikan hasil terbaik dalam implementasi
Published Online: menggunakan medis. Proporsi biopsi dilakukan pada lesi non
12.08.2013 klasifikasi neuro-fuzzy teraba hanya 15%-30%; Namun, lesi
Printed: yang disebut mammographically mencurigakan terbukti
06.09.2013 NEFCLASS. ganas.
Teknik AI telah digunakan untuk menyesuaikan
model medis yang kompleks. Khususnya, banyak
studi tentang kanker telah menunjukkan bahwa
penggunaan teknik ini meningkatkan tingkat
akurasi dalam mendiagnosis, pementasan, dan
memperkirakan hasil posttreatment bila
dibandingkan dengan analisis statistik
konvensional.
Nama : Fitri Ananda
NIM : 21060114120003
REVIEW PAPER PENDETEKSIAN KANKER PAYUDARA