ABSTRAKSI: Salah satu aplikasi medical image yaitu pendeteksian suatu penyakit yang diperoleh dari hasil analisis citra. Tugas akhir ini bertujuan menghasilkan suatu alat bantu berbasis software untuk para radiolog dalam mendiagnosa citra Magnetic Resonance Imaging (MRI) serta mempermudah dalam mengklasifikasikan tipe kelainan tumor otak ke dalam tiga kelas.
Secara umum tumor otak dapat diklasifikasikan menjadi 2 yaitu Benigna dan Malignan. Tumor Benigna merupakan jenis tumor otak yang tidak bersifat kanker atau tidak dapat menyebar ke jaringan tubuh lainnya sedangkan Tumor Malignan merupakan jenis tumor yang sangat berbahaya karena dapat menyebar ke jaringan tubuh lainnya.
Metode ekstraksi ciri Independent Component Analysis (ICA) digunakan untuk mendapatkan feature vector dari citra MRI dengan format .jpg. Hasil dari feature vector tersebut akan diklasifikasikan dengan Support Vector Machine (SVM) sehingga akan didapatkan hasil klasifikasi dalam tiga kelas yaitu normal, jinak dan ganas. Secara keseluruhan hasil pengenalan pola dengan menggunakan metode ICA dan SVM mendapatkan akurasi sebesar 81.33% dan waktu komputasi 30,668 detik.Kata Kunci : Medical Image, Magnetic Resonance Imaging, Benigna, Malignan,Independent Component Analtsis, Support Vector MachineABSTRACT: One of the Medical image application is disease detection that obtained from an image analysis. This final project aim to make a software based tools for radiologist in diagnose Magnetic Resonance Imaging (MRI) image and make it easy to classifying brain tumor into three classes.
In general, brain tumors can be classified into two cancer Benign and Malignant. Benign tumor is a type of brain tumors are not cancerous or not to spread to other body tissues, while malignant tumors are a type of tumor that is very dangerous because it can spread to other body tissues.
Independent Component Analysis (ICA) feature extaction method is used to get the feature vector from the MRI image in .jpg format. The result of the feature vector will be classified with Support Vector Machine(SVM) so we will get the classification result in three class: normal, benign, and malignan. Overall the patern recognition with ICA and SVM method get accuracy at 81,33 % and computing time 30,668 seconds.Keyword: Medical Image, Magnetic Resonance Imaging, Benigna, Malignan,Independent Component Analtsis, Support Vector Machine