PENINGKATAN DETEKSI CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR EFFICIENTNETB0 PADA DATA RADIOLOGI PNEUMONIA

ADRIAN, PIRTAMA (2024) PENINGKATAN DETEKSI CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR EFFICIENTNETB0 PADA DATA RADIOLOGI PNEUMONIA. Skripsi thesis, UNAMA.

Preview	Text BAB I.pdf Download (67kB) | Preview
	Text BAB II.pdf Restricted to Registered users only Download (535kB)
	Text BAB III.pdf Restricted to Registered users only Download (451kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
Preview	Text BAB V.pdf Download (54kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (194kB) | Preview

Abstract

Dalam era globalisasi, kemajuan pesat dalam teknologi informasi telah memberikan dampak signifikan pada berbagai aspek kehidupan manusia, termasuk dalam bidang kesehatan. Salah satu perhatian utama adalah peningkatan risiko terkena penyakit pneumonia. Pneumonia merupakan suatu peradangan yang memengaruhi parenkim paru, Sebagian besar kasus disebabkan oleh mikroorganisme, terutama virus dan bakteri, sementara sebagian kecil disebabkan oleh faktor lain seperti aspirasi dan radiasi. Penyebab utama pneumonia melibatkan infeksi bakteri, virus, atau jamur. Oleh karena itu, perlu untuk melakukan diagnosis dengan cepat dan akurat. Penelitian ini mengusulkan penggunaan model deep learning dengan menerapkan arsitektur EfficientNetB0 pada dataset radiologi pneumonia yang diambil dari.
MENDELEY DATA, terdiri dari 5.856 data dengan dua kelas, yaitu Normal dan Pneumonia. Dari hasil implementasi dan pengujian model Convolutional Neural Network (CNN) dengan arsitektur EfficientNetB0, diperoleh tingkat akurasi yang sangat baik sebesar 99%. Hal ini menunjukkan keberhasilan model dalam
mengklasifikasikan gambar radiologi paru-paru.

Item Type:	Thesis (Skripsi)
Subjects:	Sistem Kontrol
Divisions:	Skripsi > Teknik Informatika > 2024
Depositing User:	Digital Library
Date Deposited:	16 Oct 2024 07:14
Last Modified:	16 Oct 2024 08:34
URI:	https://repository.unama.ac.id/id/eprint/3706

Actions (login required)

View Item