Pengesanan dan pemantauan awal sangat penting dan boleh membantu menyelamatkan nyawa mangsa kanser. Oleh itu pelbagai kaedah teknologi moden direka bentuk dan digunakan untuk mengesan kanser pangkal rahim. Rangkaian berbilang lapisan (MLP) merupakan rangkaian neural yang popular dalam sistem diagnosis dan model ini telah diaplikasikan dalam projek ini. Analisis ke atas kebolehan rangkaian neural ditentukan berdasarkan prestasi rangkaian. Keputusannya juga membuktikan rangkaian tersebut berkeupayaan untuk diguna pakai dalam proses diagnosis kanser pangkal rahim dalam memperbaiki pelaksanaan sistem pengesanan sebelum ini. Antara logaritma yang biasanya digunakan dengan rangkaian MLP ialah perambatan balikan (back propogation ). Analisa regresi logistik pula digunakan bagi mendapatkan perbezaan data bagi setiap keluaran yang diperoleh daripada rangkaian MLP. Regresi logistik binari adalah sangat berguna untuk membina model bagi kebarangkalian sesuatu peristiwa bagi pemboleh ubah berkategori dengan dua keluaran. Projek “ Pengkelasan Sel Kanser Pangkal Rahim Kepada Sel Normal dan Sel Tidak Normal Menggunakan Regresi Logistik dan Rangkaian Neural” akan membuktikan prestasi diagnosis terbaik dan kaedah tersebut boleh diterima dan digunakan dalam bidang perubatan.
______________________________________________________________________________________
Early detecting and monitoring of cancer is important and it can save many lives. So, many kinds of modern technologies designed and used to detect cervical cancer earlier. One of the popular technologies applied are neural network that used for cervical cancer detection. Multilayered Perceptron (MLP) network is the most popular neural network to be used for as cervical cancer diagnosis system and this model has been used for this project. The analysis on the capability of neural network to be used as good cervical cancer diagnosis techniques is based on its performance. The results show the network have ability and suitable to improve same previous system. MLP will be using back propagation as the learning algorithm. For logistic regression analysis, it is used to get difference for each data from neural network output. Binary logistic regression is most useful when to model the event probability for a categorical response variable with two outcomes. This project, “Classification of Cervical Cells into Normal and Abnormal Using Logistic Regression” will prove the best performance of the diagnosis and that method will be accepted in medical field.