Tajuk bagi projek ini adalah pengkelasan sel pra kanser pangkal rahim kepada sel normal dan tidak normal menggunakan rangkaian neural dan analisis pembezalayan. Rangkaian neural yang dihasilkan adalah jenis rangkaian neural perseptron berbilang lapisan menggunakan perisian MATLAB® 6.5 manakala analisis pembezalayan menggunakan perisian SPSS® 13.0. Sistem yang dibangunkan adalah bagi
mengkelaskan data-data tertentu kepada dua kelas iaitu baik atau tidak baik. Data-data yang digunakan dalam projek ini ialah saiz nukleus, saiz sitoplasma, paras kelabu nukleus dan paras kelabu sitoplasma. Data-data ini dibahagikan kepada dua set data iaitu set data latihan dan set data ujian. Set data latihan mengandungi 128 data manakala set data ujian mengandungi 72 data. Rangkaian neural yang dihasilkan menggunakan dua algoritma pembelajaran iaitu ‘Levenberg-Marquardt’ dan Perambatan Balik. Nilai optimum bagi lelaran dan nod tersembunyi untuk setiap algoritma pembelajaran ditentukan berdasarkan peratusan ketepatan tertinggi yang diperolehi apabila set data ujian digunakan untuk menilai prestasi sistem. Bagi analisis pembezalayan, set data ujian digunakan untuk menjalankan simulasi bagi tujuan mendapatkan peratusan ketepatan dan nilai titik potong. Dari keputusan yang diperolehi, di dapati rangkaian neural dan analisis pembezalayan yang menunjukkan keputusan dengan kecekapan
100%. Kesimpulannya, rangkaian neural dan analisis pembezalayan telah berjaya mengkelaskan sel kanser pangkal rahim kepada sel normal dan tidak normal.
______________________________________________________________________________________
The topic of this project is classification of cervical cells into normal and abnormal using 2 group discriminant analysis and neural network. The type of the neural network is multilayed perceptron (MLP) network using software MATLAB® 6.5
and discriminant analysis using software SPSS® 13.0. The system is built to classify
some certain data into two classes, which are normal or abnormal cells. Data are using for this project is nucleus size, cytoplasm size, nucleus grey level and cytoplasm grey level. The data are separated into two sets; training data set and testing data set. There are 128 data in training data set and 72 data in testing data set. The neural network is trained using two types of learning algorithms, which is Levenberg-Marquardt and Back Propagation. The optimum value of epoch and hidden nodes for each learning algorithm are determined based on the highest accuracy obtained during training phases. For discriminant analysis, training data are used to simulate to obtain accuracy and cut-off point. From the result, the neural network and disriminant analysis show the 100% accuracy. As a conclusion, the neural network and discriminant analysis has high capability to classify the cervical cells into normal and abnormal.
Pengkelasan sel kanser pangkal rahim kepada sel normal dan tidak normal menggunakan analisis pembezalayan dan rangkaian neural_Mohammad Norrish Saidin_E3_2006_NI