Anggraini Utomo, Bella (2021) Klasifikasi COVID-19 Berdasarkan Foto Rontgen Dada Menggunakan EfficientNet. Bachelor Thesis thesis, Universitas Multimedia Nusantara.
|
PDF
HALAMAN_AWAL.pdf Download (306kB) | Preview |
|
|
PDF
DAFTAR_PUSTAKA.pdf Download (140kB) | Preview |
|
|
PDF
BAB_I.pdf Download (89kB) | Preview |
|
|
PDF
BAB_II.pdf Download (626kB) | Preview |
|
|
PDF
BAB_III.pdf Download (163kB) | Preview |
|
![[img]](https://kc.umn.ac.id/style/images/fileicons/application_pdf.png) |
PDF
BAB_IV.pdf Restricted to Registered users only Download (684kB) |
|
|
PDF
BAB_V.pdf Download (72kB) | Preview |
|
|
PDF
LAMPIRAN.pdf Download (391kB) | Preview |
Abstract
Tahun 2020 menjadi tahun yang berat bagi seluruh masyarakat dunia, karena terjadi penyebaran virus di seluruh negara yang menyebabkan hampir seluruh negara menerapkan lockdown. Virus tersebut adalah corona virus diseases jenis baru yang diberi nama SARS-CoV-2 atau lebih dikenal dengan nama Covid-19. Penyebaran virus ini diduga menyebar lewat cairan tubuh manusia dan melalui sentuhan benda yang terkontaminasi. Gejala penyakit ini sulit dideteksi karena gejala yang muncul sangat biasa, seperti batuk dan demam. Penyakit ini menyebabkan seseorang mengalami demam, pneumonia, kegagalan organ, hingga kematian. Penyakit pneumonia menyebabkan kantong udara mengalami peradangan dan terisi dengan nanah serta cairan yang menyebabkan sulit bernapas. Untuk mengatasi masalah tersebut dibuat suatu sistem yang dapat digunakan untuk klasifikasi Covid-19 dengan menggunakan machine learning. Arsitektur EfficientNet digunakan karena tidak hanya meningkatkan akurasi namun juga meningkatkan efisiensi model. Foto rontgen digunakan sebagai salah satu alat bantu dalam mendeteksi Covid-19, foto rontgen ini digunakan sebagai data masukan pada sistem. Dataset berasal dari beberapa sumber luar dengan total 3.968 foto rontgen dengan format PNG. Kemudian foto tersebut dikelompokkan menjadi tiga kelas yaitu normal, pneumonia, dan Covid-19. Hasil terbaik diperoleh oleh model AutoKeras dengan nilai akurasi mencapai 99% dan f1-score mencapai 99%.
| Item Type: | Thesis (Bachelor Thesis) |
|---|---|
| Uncontrolled Keywords: | Automated Machine Learning, Confusion Matrix, Coronavirus-2019, COVID-19, EfficientNet, Foto Rontgen, GridSearchCV |
| Subjects: | T Technology > T Technology (General) > T55 Industrial engineering. Management engineering > T58.5-58.64 Information technology |
| Divisions: | Fakultas Teknik Informatika > Program Studi Informatika |
| SWORD Depositor: | mr admin umn |
| Depositing User: | mr admin umn |
| Date Deposited: | 24 Aug 2021 11:40 |
| Last Modified: | 24 Aug 2021 11:40 |
| URI: | http://kc.umn.ac.id/id/eprint/17993 |
Actions (login required)
 |
View Item |