KLASIFIKASI PENYAKIT PARU-PARU BERDASARKAN CITRA X-RAY MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Murtadho, Hammam Afiq (2023) KLASIFIKASI PENYAKIT PARU-PARU BERDASARKAN CITRA X-RAY MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (160kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (557kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (173kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (301kB)
	Text (BAB V) BAB V.pdf Download (38kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (116kB)
	Archive (SOURCE CODE) Source Code - Hammam Afiq Murtadho.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (898kB)

Abstract

Penyakit paru-paru adalah salah satu penyakit yang memiliki dampak serius terhadap kehidupan seseorang. Pasien yang diduga memiliki penyakit paru-paru dapat dilakukan scan x-ray, lalu didiagnosis oleh dokter apakah pasien benar memiliki penyakit paru-paru atau tidak. Tetapi tidak semua fasilitas kesehatan memiliki dokter yang mampu mendiagnosis penyakit paru-paru dengan reliabel. Oleh karena itu diperlukan sistem untuk membantu dokter untuk mendiagnosis penyakit paru-paru pada hasil scan x-ray dengan reliabel dan akurat. Banyak yang sudah mencoba membuat sistem deteksi penyakit paru-paru dengan berbagai macam teknik. Salah satunya adalah menggunakan metode jaringan saraf buatan di dalam bidang computer vision. Pada penelitian ini digunakan metode CNN dengan model EfficientNetV2 yang di latih menggunakan dataset dari NIH Chest X-Ray 14 (CXR-14). Dikarenakan dataset yang dipakai memiliki ketidakseimbangan data yang signifikan maka diperlukan metode balancing. Pada kalkulasi loss digunakan fungsi weighted binary cross-entropy untuk memberi bobot pada data minoritas. Hasil model setelah training & fine-tuning memiliki tingkat akurasi tertinggi 96,36%, tetapi miliki nilai ROC rata-rata hanya 0,511. Skor ROC mendekati 0,5 menunjukkan model tidak lah lebih baik dari random guess.

Actions (login required)

View Item