KLASIFIKASI PNEUMONIA PADA AUGMENTASI CITRA X-RAY PARU-PARU MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK (CNN)

Ahdiat Aunul, Hipzi (2023) KLASIFIKASI PNEUMONIA PADA AUGMENTASI CITRA X-RAY PARU-PARU MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK (CNN). S1 thesis, Universitas Mataram.

	Text TA_Ahdiat Aunul Hipzi_F1B017007.pdf Restricted to Repository staff only Download (3MB)
Preview	Text jurnal Ahdiat Aunul Hipzi_F1B017007.pdf Download (721kB) | Preview

Abstract

Pneumonia merupakan peradangan pada paru-paru yang disebabkan oleh infeksi virus, bakteri, atau jamur. Seseorang yang mengalami pneumonia, kantong udara pada paruparunya akan berisi cairan maupun pus (dahak purulen). Menurut WHO pada tahun 2018 pneumonia mengakibatkan kematian terhadap anak balita sebanyak 800.000 orang di dunia, atau 39 orang anak per detik. Pneumonia juga merupakan penyebab kematian Balita terbesar di Indonesia, diperkirakan pada tahun 2018 sekitar 19.000 orang anak meninggal akibat pneumonia. Untuk mengurangi tingginya angka kematian yang diakibatkan oleh pneumonia tersebut, maka perlu dilakukan pengendalian yang salah satu caranya dengan mendiagnosa pneumonia kepada pasien secara cepat dan tepat. Citra XRay paru-paru dianggap mampu menggambarkan kondisi paru-paru pada pasien pengidap penyakit pneumonia dan dapat menjadi alat bantu diagnosa klinis. Pada penelitian ini, klasifikasi pneumonia dilakukan melalui citra X-Ray paru-paru menggunakan metode Convolutional Neural Network (CNN). Tujuan dari penelitian ini untuk memperoleh model CNN dengan nilai akurasi yang tinggi sehingga hasil klasifikasi dapat dijadikan acuan dalam mendiagnosa penyakit pneumonia. Dataset yang digunakan secara keseluruhan berjumlah 7.442 citra dimana data dibagi menjadi dua kategori yaitu kategori pneumonia dan normal. Arsitektur Model CNN yang dibuat memiliki 5 blok konvolusi dengan jumlah channel/kernel tiap blok berturut-urut 16, 32, 64, 128, dan 128 serta 3 Fully Connected Layer pada hidden layer. Optimasi menggunakan adam optimizer dengan learning rate 0,001, ukuran input 200x200x1, dan max epoch 50. Sedangkan fungsi aktivasi menggunakan fungsi Rectifier Linear Unit (ReLU) dan Sigmoid. Hasil pengujian model CNN mendapatkan nilai akurasi sebesar 96,64% untuk training dan 95,36% untuk validating. Berdasarkan hasil pengujian tersebut, model CNN dapat dikatankan mampu untuk mengklasifikasi suatu citra X-Ray paru-paru termasuk kategori pneumonia atau normal.

Item Type:	Thesis (S1)
Keywords (Kata Kunci):	Pneumonia, citra X-Ray, klasifikasi, convolutional neural network.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Fakultas Teknik
Depositing User:	Meike Megawati
Date Deposited:	06 Jun 2023 07:45
Last Modified:	06 Jun 2023 07:45
URI:	http://eprints.unram.ac.id/id/eprint/39247

Actions (login required)

View Item