Klasifikasi Gambar Jenis Bakteri Menggunakan LSTM-CNN Hybrid Model

Chandra, Adriel (2023) Klasifikasi Gambar Jenis Bakteri Menggunakan LSTM-CNN Hybrid Model. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (568kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (70kB) | Preview
Preview	PDF BAB_I.pdf Download (79kB) | Preview
Preview	PDF BAB_II.pdf Download (154kB) | Preview
Preview	PDF BAB_III.pdf Download (450kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (205kB)
Preview	PDF BAB_V.pdf Download (67kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (199kB)

Abstract

Sebagian besar varietas di bumi terdiri dari mikroorganisme, yang sangat penting bagi kelangsungan hidup manusia. Mereka memainkan peran penting dalam proses ekologi juga. Namun, sebagian besar bakteri dapat menyebabkan berbagai penyakit yang bisa berakibat fatal. Diketahui bahwa metode tradisional untuk mengidentifikasi kelompok bakteri menggunakan berbagai teknik memakan waktu dan rentan terhadap kesalahan. Bidang mikrobiologi telah banyak menggunakan teknik pembelajaran mesin untuk mengatasi masalah tersebut. Dalam penelitian ini akan menerapkan LSTM-CNN Hybrid Model untuk klasifikasi jenis gambar bakteri, lalu membandingkan hasil akurasi dengan model Convolutional Neural Network, dan Long Short Term Memory. Himpunan data yang digunakan dalam penelitian ini adalah Digital Image of Bacterial Species. Himpunan data tersebut akan dilakukan pengolahan data dengan beberapa teknik yaitu, pre- processing gambar menggunakan unsharp mask filtering, ektraksi fitur bentuk bakteri dari gambar, dan augmentasi data. Hasil dari penelitian menunjukkan model Convolutional Neural Network mendapatkan hasil akurasi yang lebih tinggi dengan skor 86.68% sedangkan algoritma LSTM-CNN Hybrid Model memiliki skor 72.42% dan Long Short Term Memory sebesar 66.62%. Kesimpulan dari penelitian ini pengimplementasian model LSTM-CNN Hybrid Model, Convolutional Neural Network, dan Long Short Term Memory untuk klasifikasi jenis bakteri telah berhasil dilakukan. Dari hasil yang didapatkan akurasi model LSTM-CNN Hybrid Model lebih rendah dibandingkan dengan model Convolutional Neural Network.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Convolutional Neural Network, Deep Learning, klasifikasi, Long Short Term Memory, LSTM-CNN.
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++ 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.7 Multimedia Systems, Blogs, Social Media, Web Application Frameworks
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	10 Jul 2023 09:51
Last Modified:	22 Aug 2023 06:14
URI:	https://kc.umn.ac.id/id/eprint/25965

Actions (login required)

View Item