ANALISIS KOMPARASI UNTUK DIAGNOSA PNEUMONIA BERDASARKAN HASIL CITRA CHEST X-RAY MENGGUNAKAN MODEL RESNET-50 DAN MOBILENETV2

Rifa’i, Anggi Muhammad (2023) ANALISIS KOMPARASI UNTUK DIAGNOSA PNEUMONIA BERDASARKAN HASIL CITRA CHEST X-RAY MENGGUNAKAN MODEL RESNET-50 DAN MOBILENETV2. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.51.2099 Anggi Muhammad Rifa’i.pdf Download (8MB)

Abstract

Penelitian ini melakukan analisis kinerja arsitektur ResNet50 dan MobileNetV2 dengan menerapkan teknik white balance dan CLAHE pada dataset yang digunakan. Tujuan penelitian ini adalah untuk menguji pengaruh teknik white balance dan CLAHE terhadap akurasi pengenalan kelas pada kedua arsitektur tersebut. Variabel penelitian yang dibatasi adalah jumlah kelas, jumlah epoch, dan waktu yang dibutuhkan per iterasi. Analisis dilakukan dengan menghitung akurasi, precision, recall, dan F1-Score dari hasil pengenalan kelas. Hasil penelitian menunjukkan bahwa penggunaan ResNet50 dengan white balance dan CLAHE menghasilkan akurasi yang meningkat seiring dengan peningkatan jumlah epoch. Pada dataset dengan 2 kelas, ResNet50 menggunakan CLAHE dan White Balance mencapai akurasi sebesar 91,62% setelah 50 epoch, dengan precision, recall, dan F1-Score masing-masing sebesar 92,12%. Namun, pada dataset dengan 3 kelas, performa ResNet50 sedikit lebih rendah dengan akurasi 73,16%. Di sisi lain, penggunaan MobileNetV2 dengan white balance dan CLAHE menghasilkan hasil yang lebih baik. Pada dataset dengan 2 kelas, MobileNetV2 mencapai akurasi sekitar 99,76% setelah 50 epoch, dengan precision, recall, dan F1Score mencapai 99,35%. Pada dataset dengan 3 kelas, MobileNetV2 mencapai akurasi sekitar 91,17% setelah 50 epoch, dengan precision, recall, dan F1-Score masing-masing sebesar 91,05%. Waktu yang dibutuhkan per iterasi untuk kedua arsitektur ini juga tergolong cepat, sekitar 21-23ms. ResNet50 dan MobileNetV2 dengan white balance dan CLAHE meningkatkan akurasi pengenalan kelas pada dataset gambar. MobileNetV2 lebih unggul dalam akurasi pengenalan kelas, terutama pada dataset dengan 2 kelas. Namun, ResNet50 juga memberikan hasil yang baik terutama pada dataset dengan 2 kelas. Kedua arsitektur ini menunjukkan potensi untuk aplikasi pengenalan image classification dengan waktu pemrosesan yang cepat.

Actions (login required)

View Item