Sulfa Wulan Arum, 4211419014 (2023) Implementasi Model DenseNet169 dalam Klasifikasi Pneumonia pada Citra Radiografi. Under Graduates thesis, UNNES.

	PDF - Published Version Download (804kB)
	PDF - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	PDF - Published Version Download (237kB)
	PDF - Published Version Download (200kB)
	PDF - Published Version Download (92kB)
	PDF - Published Version Restricted to Repository staff only Download (381kB) | Request a copy

Abstract

Arum, S.W. 2023. Implementasi Model DenseNet169 dalam Klasifikasi Pneumonia pada Citra Radiografi. Skripsi. Program Studi Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. Pembimbing Fifin Dewi Ratnasari, S.Si., M.Si. Kata kunci : pneumonia, klasifikasi, model DenseNet169, dan citra radiografi. Pneumonia adalah masalah kesehatan yang signifikan secara global, terutama di negara-negara berkembang dengan sistem kesehatan yang masih rentan. Tingginya tingkat kejadian dan kematian akibat pneumonia menunjukkan pentingnya evaluasi yang mendalam terhadap klasifikasi dan perawatan penyakit ini. Salah satu upaya penting dalam mengatasi pneumonia adalah memanfaatkan teknologi untuk merencanakan perawatan yang lebih efisien. Teknologi Convolutional Neural Network (CNN) telah membuktikan kemampuannya dalam menganalisis citra visual dan pemrosesan gambar, terutama dalam konteks analisis kesehatan. Penelitian ini bertujuan untuk mengetahui implementasi model DenseNet169, dan mengetahui performa model dalam melakukan klasifikasi pneumonia pada citra radiografi. Dalam penelitian ini, digunakan dataset terbatas yang terdiri dari 1000 citra, yang dibagi menjadi tiga bagian, yaitu 80% untuk citra training, 10% untuk citra validation, dan 10% untuk citra testing. Metode pengolahan citra mencakup tahap preprocessing seperti resize, rescale, dan rotation untuk persiapan data sebelum disajikan dan dilakukan modifikasi hyperparameter untuk mendapatkan performa terbaik dari model DenseNet169. Hasil dari penelitian ini dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model DenseNet169 mencapai tingkat akurasi sebesar 92%, presisi sebesar 95,7%, recall sebesar 88%, dan F1-score sebesar 91,6%. Hasil ini mengindikasikan bahwa model DenseNet169 memiliki kinerja yang baik dalam mengklasifikasikan kasus pneumonia dan non-pneumonia, meskipun dengan dataset yang terbatas. Penelitian ini dapat membantu dokter dalam melakukan diagnosis yang lebih cepat dan akurat serta berkontribusi pada perbaikan dalam upaya perawatan pneumonia.

Actions (login required)

View Item