Harahap, Fahri Aulia Alfarisi (2023) PERBANDINGAN KINERJA MODEL ARSITEKTUR PRE-TRAINED TRANSFER LEARNING VGG16, VGG19 DAN ALEXNET PADA ALGORITMA CONVOLUTIONAL NEURAL NETWORKDALAM KLASIFIKASI PENYAKIT PARU-PARU. Undergraduate thesis, Universitas Negeri Medan.
4193250009_Cover.pdf
Download (40kB)
4193250009_Lembar_Pengesahan.pdf
Download (395kB)
4193250009_Abstrak.pdf
Download (117kB)
4193250009_Kata_Pengantar.pdf
Download (301kB)
4193250009_Daftar_Isi.pdf
Download (178kB)
4193250009_Daftar_Gambar.pdf
Download (121kB)
4193250009_Daftar_Tabel.pdf
Download (117kB)
4193250009_Daftar_Lampiran.pdf
Download (115kB)
4193250009_BAB_I.pdf
Download (303kB)
4193250009_BAB_V.pdf
Download (143kB)
4193250009_Daftar_Pustaka.pdf
Download (309kB)
Abstract
Penelitian ini bertujuan untuk memahami performa arsitektur transfer learning (VGG16, VGG19, dan Alexnet) pada Convolutional Neural Network untuk mengklasifikasikan penyakit paru-paru. Tujuan lainnya adalah mengidentifikasi transfer learning yang paling baik dalam kasus klasifikasi ini. Dataset terdiri dari 5 kelas: paru-paru normal, pneumonia, bronkopneumonia, tuberculosis, dan bronkitis. Data diperoleh dari Rumah Sakit Sinar Husni Deli Serdang melalui laboratorium
radiologi. Dataset dibagi 80:20 untuk training dan testing, dengan hyperparameter termasuk batch 32, epoch 50, dan pengoptimalan menggunakan Adaptive Momentum Optimization dengan learning rate 0.001. Hasil penelitian menunjukkan bahwa
arsitektur transfer learning VGG19 mencapai performa terbaik dengan akurasi 59.17%, precision 62%, recall 59.2%, dan f-1 score 58.8%. VGG16 menempati posisi kedua dengan akurasi 55.83%, precision 58%, recall 55.8%, dan f-1 score 55.2%.
Alexnet memiliki akurasi 49.17%, precision 53.2%, recall 49.2%, dan f-1 score 50.6%. Pada pengujian eksternal dengan 50 data, VGG16 mencapai akurasi 54%, VGG19 42%, dan Alexnet 46%. Model-model ini lebih baik dalam mengklasifikasikan paruparu
normal dan tuberculosis daripada pneumonia, bronkopneumonia, dan bronkitis. Analisis citra paru-paru menunjukkan bahwa homogenitas nilai pixel RGB dalam suatu kelas mendukung performa transfer learning dalam klasifikasi. Sebaliknya,
heterogenitas nilai pixel RGB dapat mengurangi evaluasi kelas tersebut.
Item Type: | Thesis (Undergraduate) |
---|---|
Keywords: | Penyakit paru-paru; Algoritma; Arsitektur |
Subjects: | Q Science > QA Mathematics Q Science > QA Mathematics > QA76 Computer software |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
Depositing User: | Mrs Beatrix Nainggolan |
Date Deposited: | 29 Apr 2024 02:13 |
Last Modified: | 29 Apr 2024 02:13 |
URI: | https://digilib.unimed.ac.id/id/eprint/55753 |