IMPLEMENTASI METODE TRANSFER LEARNING VGG-16 UNTUK KLASIFIKASI CITRA X-RAY TULANG BELAKANG

HARUM APRELINA, RAHMAD (2024) IMPLEMENTASI METODE TRANSFER LEARNING VGG-16 UNTUK KLASIFIKASI CITRA X-RAY TULANG BELAKANG. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	Text 1. ABSTRAK.pdf Download (147kB) | Preview
	Text 2. SKRIPSI FULL.pdf Restricted to Repository staff only Download (5MB) | Request a copy
Preview	Text 3. SKRIPSI TANPA BAB PEMABAHASAN.pdf Download (5MB) | Preview

Abstract

Masalah kelainan tulang belakang semakin menjadi perhatian penting di bidang medis, mengingat dampaknya yang signifikan terhadap kehidupan sehari-hari. Hal tersebut dapat ditangani dengan memanfaatkan teknologi dalam proses diagnosis maupun pengelolaannya, melalui klasifikasi citra yang membantu mengidentifikasi kelainan tulang belakang. Akan tetapi, terdapat kendala dalam otomatisasi klasifikasi citra seperti; kumpulan data medis yang sulit diakses, keahlian profesional dalam memberikan label pada gambar, dan waktu. Sehingga, diperlukan penerapan machine learning untuk meningkatkan efisiensi dan ketepatan pada klasifikasi Citra. Penelitian ini menerapkan model machine learning yang terinspirasi oleh keunggulan CNN (Convolutional Neural Network) dalam klasifikasi citra. Dengan menerapkan metode Transfer Learning menggunakan model VGG-16 pada klasifikasi citra x-ray tulang belakang mampu meningkatkan akurasi dengan Kumpulan data yang tidak terlalu besar. Kumpulan data yang digunakan pada penelitian ini diperoleh dari situs Kaggle berisi data citra x-ray tulang belakang mencakup 338 citra. Penelitian ini melibatkan enam percobaan klasifikasi, yaitu percobaan A, B, dan C menggunakan CNN, serta percobaan D, E, dan F menggunakan Transfer Learning VGG-16. Arsitektur model Transfer Learning VGG-16 mencakup enam lapisan utama, yaitu lapisan dasar VGG-16, konvolusi, max pooling, dropout, flatten, dan fully connected. Hasil dari percobaan F menunjukkan kinerja terbaik dengan akurasi sebesar 98,52%, presisi 99%, sensitivitas 97%, dan skor F1 sebesar 98%.

Item Type:	Other
Subjects:	?? 500 ?? ?? 510 ??
Divisions:	Fakultas MIPA > Prodi Matematika
Depositing User:	2308533064 . Digilib
Date Deposited:	19 Dec 2024 03:14
Last Modified:	19 Dec 2024 03:14
URI:	http://digilib.unila.ac.id/id/eprint/80835

Actions (login required)

View Item