Klasifikasi Citra Sel Darah Menggunakan Arsitektur ResNet-50 untuk Mendukung Identifikasi Gejala Leukemia

Marra Arrafi, Naufal (2026) Klasifikasi Citra Sel Darah Menggunakan Arsitektur ResNet-50 untuk Mendukung Identifikasi Gejala Leukemia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (678kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (403kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (426kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (930kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (223kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (705kB)
	Archive (ZIP) 00000074899_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Leukemia merupakan salah satu jenis kanker darah yang dapat menyebabkan perubahan pada jumlah dan karakteristik sel darah. Identifikasi jenis sel darah melalui citra mikroskopis dapat membantu proses analisis hematologi, namun pengamatan secara manual memerlukan waktu dan berpotensi menimbulkan perbedaan interpretasi. Penelitian ini bertujuan mengembangkan model klasifikasi citra sel darah menggunakan pendekatan deep learning berbasis arsitektur ResNet- 50 serta mengevaluasi kinerjanya. Dataset yang digunakan terdiri dari 4.994 citra sel darah yang terbagi ke dalam lima kelas, yaitu basophil, erythroblast, monocyte, myeloblast, dan segmented neutrophil. Model dibangun menggunakan metode transfer learning dengan ResNet-50 sebagai base model berbobot awal ImageNet, dilatih menggunakan optimizer Adam dengan learning rate 1e-4 selama 50 epoch. Pada skema hold-out 70:15:15, model memperoleh test accuracy sebesar 98,18% dan test loss sebesar 0,0525, dengan nilai precision, recall, dan F1-score weighted average sebesar 0,98. Untuk menguji kestabilan performa, diterapkan pula skema 5-Fold Cross Validation yang menghasilkan rata-rata akurasi 98,30% dengan standar deviasi 0,27%, serta model final memperoleh test accuracy sebesar 97,20%. Hasil ini membuktikan bahwa model ResNet-50 memiliki performa yang baik dan konsisten dalam mengklasifikasikan citra sel darah.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Marra Arrafi, Naufal (00000074899)
Contributors:	Aditiyawan, Aditiyawan (8994550022)
Keywords:	Fold Cross Validation, Klasifikasi citra sel darah, Leukemia, ResNet- 50, Transfer learning
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	17 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47667

Actions (login required)

View Item