ANALISIS PERBANDINGAN MODEL DEEP LEARNING UNTUK KLASIFIKASI SAMPAH MEDIS MENGGUNAKAN TRANSFER LEARNING

Wulansari, Astika (2022) ANALISIS PERBANDINGAN MODEL DEEP LEARNING UNTUK KLASIFIKASI SAMPAH MEDIS MENGGUNAKAN TRANSFER LEARNING. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

[img] Text (THESIS)
20.52.1365 Astika Wulansari.pdf
Download (3MB)

Abstract

Pandemi Corona Virus Disease (COVID-19) berkembang pesat di seluruh dunia. Pengelolaan sampah dan penanganan sampah terkontaminasi yang tidak tepat dapat secara tidak sengaja menyebarkan virus di masyarakat. Klasifikasi sampah medis menggunakan deep learning mengatasi masalah pelik dari pemilahan sampah secara manual seperti melakukan kesalahan, beban kerja yang berat, serta efisiensi waktu dan biaya. Analisis perbandingan model deep learning untuk klasifikasi sampah medis menggunakan transfer learning diharapkan dapat menyediakan dataset publik sampah medis, dapat mengidentifikasi arsitektur CNN yang mampu melakukan klasifikasi sampah medis dengan kinerja yang dapat diterima, dapat mengklasifikasikan sampah medis untuk mendapatkan akurasi yang baik, kecepatan proses yang baik, dan beban komputasi yang ringan. Jenis sampah medis ada 2 (dua) kelas yaitu sampah infeksius tajam dan sampah infeksius non tajam, menggunakan transfer learning dengan data pretraining dari ImageNet. Metode analisis hasil klasifikasi dilakukan dengan penghitungan akurasi (accuracy), precision, recall, dan F1-Score Menggunakan augmentasi data, dan preprocessing sebelum melakukan klasifikasi penelitian ini dilakukan beberapa kali percobaan. Model ResNet50 mencapai akurasi tertinggi dan membutuhkan parameter dan kecepatan pelatihan lebih cepat dimana akurasi 99,40%, sensitivitas 98,18%, dan spesifisitas 100% tanpa overfitting. Model CNN dengan transfer learning dapat melakukan klasifikasi sampah medis dengan baik. Hal ini dibuktikan dengan model VGG16 menghasilkan nilai akurasi terendah 96.39% dan nilai akurasi tertinggi dicapai model ResNet50 mencapai 99.40%. ResNet50 membutuhkan kecepatan pelatihan 946.64 detik dengan jumlah parameter 25.687.938 yang lebih kecil dari VGG16, VGG19, InceptionV3, dan MobileNetV2.

Item Type: Thesis (S2 - Magister)
Contributor:
Pembimbing
Setyanto, Arief
Luthfi, Emha Taufiq
Uncontrolled Keywords: Convolutional Neural Network, Deep Learning, Klasifikasi sampah medis, Transfer Learning
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Pascasarjana MTI > Magister Teknik Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 12 Jul 2023 01:37
Last Modified: 12 Jul 2023 02:38
URI: http://eprints.amikom.ac.id/id/eprint/20298

Actions (login required)

View Item View Item