Disertasi ini membahas tentang metode segmentasi dan analisis citra mammogram secara otomatis untuk klasifikasi kanker payudara jinak atau ganas. Proses identifikasi diawali dengan meningkatkan kua litas citra diikuti dengan peregangan kontras. Pemilihan kandidat massa dilakukan melalui 2 fase: menandai area yang diduga massa menggunakan teknik pengambangan secara adaptif dan manandai komponen terhubung; serta mela kukan ekstraksi fitur. Ekstraksi fitur dilakukan menggunakan fitur statist ik orde pertama, Grey Level Co-occurrence Matrices (GLCM), dan Grey Level Run Length Matrices (GLRLM) yang dibentuk pada 4 arah yang berbeda, 0 0 , 45 0 , 90 0 , and 135 0 . Algoritma klasifikasi berbasis association digunakan untuk klasifikasi massa dan non massa. Aplikasi mengambil citra mammo gram sebagai masukan dan menampilkan area yang diduga sebagai massa, dan menganalisis batas tepi massa. Informasi tersebut selanjutnya digunakan dokter untuk membantu mengklasifikasikan jenis tumor ganas atau jinak. Aplikasi dievaluasi menggunakan mammogram yang berasal dari Mammographic Image Analysis Society (MIAS), dan diuji menggunakan mammogram yang beras al dari pasien Rumah Sakit Pusat Pertamina. Berdasarkan penelitian yang telah dilakukan, algoritma yang dikembangkan tahap demi tahap mampu melokalisir area yang diduga sebagai massa, dan mampu menganalisis bentuk dan batas tepi massa pada mammogram yang berguna untuk membedakan kanker payudara ganas atau jinak.