Perbandingan Implementasi Pre-Trained Model untuk Diagnosis Infeksi Covid-19

Jonathan, Jonathan (2022) Perbandingan Implementasi Pre-Trained Model untuk Diagnosis Infeksi Covid-19. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] Text
HALAMAN_AWAL.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB)
[img]
Preview
Text
DAFTAR_PUSTAKA.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (376kB) | Preview
[img]
Preview
Text
BAB_I.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (328kB) | Preview
[img]
Preview
Text
BAB_II.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview
[img]
Preview
Text
BAB_III.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (3MB) | Preview
[img] Text
BAB_IV.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (4MB)
[img]
Preview
Text
BAB_V.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (339kB) | Preview
[img] Text
LAMPIRAN.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB)

Abstract

Maraknya populasi yang terpapar COVID-19, diagnosis COVID-19 yang membu- tuhkan waktu lama dan membutuhkan tenaga medis (Diagnosis X-Ray secara man- ual) membuat penelitian di ranah ini dirasa penting untuk dapat membuat model yang memiliki hasil akurasi terbaik untuk diagnosis infeksi COVID-19 dengan gam- bar X-Ray paru-paru pasien terduga COVID-19. Dalam penelitian ini, dilakukan perbandingan implementasi pre-trained model-model yang sudah dilatih dengan dataset yang besar-untuk diagnosis infeksi COVID-19. Metode penelitian ini meng- gunakan machine learning dengan pre-trained model seperti ResNet50V2, Xcep- tion, dan EfficientNetB0 yang dipadukan metode evaluasi menggunakan confusion matrix untuk mengetahui akurasinya. Proses perbandingan dilakukan dengan mem- bandingkan penggunaan fine-tuning model yang kemudian dibandingkan dengan penggunaan batch size 64 dengan batch size 32. Batch size menunjukkan jum- lah sampel yang diproses dalam sekali latih. Hasil penelitan menunjukkan bahwa penerapan fine-tuning model-model yang dikhususkan untuk tugas tertentu (dalam hal ini klasifikasi COVID-19)-dengan batch size 64 yang memiliki akurasi terbaik adalah EfficientNetB0 dengan nilai akurasi sebesar 0.9575, waktu latih selama 2553 detik, dan ukurannya sebesar 96 MB. Begitu juga pada fine-tuning model dengan batch size 32, dimana yang memiliki akurasi terbaik adalah EfficientNetB0 dengan nilai akurasi sebesar 0.895, waktu latih selama 1923 detik, dan ukurannya sama pula, yakni sebesar 96 MB. Kesimpulan dari penelitian menunjukkan bahwa pe- nerapan model fine-tuning yang paling bagus diantara ResNet50V2, Xception, dan EfficientNetB0 dalam klasifikasi infeksi COVID-19 pada dataset COVIDx-CXR 2 adalah EfficientNetB0 dengan batch size sebesar 64 sebagai model yang terbaik de- ngan akurasi sebesar 0.9575 selama 2553 detik dengan ukuran model sebesar 96 MB.

Item Type: Thesis (Bachelor Thesis)
Keywords: Convolutional Neural Network, COVID-19, diagnosis, X-Ray vii Perbandingan Implementasi Pre-Trained..., Jonathan, Universitas Multimedia Nusantara
Subjects: 300 Social Sciences > 340 Law > 344 Labor, Social Service, Public Health, Safety Measures
300 Social Sciences > 340 Law > 344 Labor, Social Service, Public Health, Safety Measures > 344.04 Public Health
600 Technology (Applied Sciences) > 610 Medicine and Health > 613 Personal Health and Safety
Divisions: Faculty of Engineering & Informatics > Informatics
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 05 Dec 2022 01:18
Last Modified: 09 Aug 2023 00:37
URI: https://kc.umn.ac.id/id/eprint/20361

Actions (login required)

View Item View Item