Klasifikasi Sperma Manusia Berdasarkan Morfologi Menggunakan Algoritme Convolutional Neural Network Arsitektur ResNet101 dengan Transfer Learning dan Augmentasi Data

Silvia , Rukmana (2024) Klasifikasi Sperma Manusia Berdasarkan Morfologi Menggunakan Algoritme Convolutional Neural Network Arsitektur ResNet101 dengan Transfer Learning dan Augmentasi Data. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	Text Abstrak_Skripsi_Silvia Rukmana_2017051047.pdf Download (173kB) | Preview
	Text Skripsi_Full_Silvia Rukmana_2017051047.pdf Restricted to Repository staff only Download (4MB) | Request a copy
Preview	Text Skripsi_Tanpa Pembahasan_Silvia Rukmana_2017051047.pdf Download (2MB) | Preview

Abstract

Infertilitas merupakan gangguan yang menghambat reproduksi makhluk hidup untuk menghasilkan individu baru dari generasi keturunannya. Infertilitas pada pria dapat disebabkan oleh banyak faktor, salah satunya adalah kelainan morfologi sperma yang menyebabkan ketidaksuburan pada pria. Oleh karena itu, klasifikasi morfologi sperma penting dalam menganalisis kualitas sperma. Analisis kualitas sperma biasanya dilakukan secara manual dengan bantuan mikroskop. Namun, hal tersebut membutuhkan waktu yang lama dan hasil yang tidak selalu akurat. Perkembangan teknologi pada saat ini, dapat membantu menganalisis kualitas sperma secara otomatis dengan tingkat akurasi yang tinggi. Salah satunya menggunakan deep learning dengan pendekatan convolutional neural network yang mampu menganalisis sperma secara otomatis. Convolutional neural network (CNN) banyak digunakan dalam tugas pengenalan citra. Terdapat beberapa jenis arsitektur dalam CNN salah satunya adalah arsitektur ResNet101. Dalam penelitian ini digunakan algoritma CNN arsitektur ResNet101 dalam mengklasifikasikan morfologi sperma. Penelitian ini mengunakan dua dataset sperma, yaitu HuSHem dan SCIAN. Model yang digunakan yaitu ResNet101 dengan transfer learning dan dilakukan penambahan layer baru yang sesuai dengan data. Teknik augmentasi data diimplementasikan untuk memperbanyak variasi data yang mampu meningkatkan kinerja model. Hasil penelitian menunjukkan bahwa pada dataset HuSHem dengan hasil pengujian terbaik mencapai accuracy sebesar 97.73%, dengan precision 97.93%, recall 97.73% dan f1-score 97.73%. Sementara itu, pada dataset SCIAN hasil terbaik dengan accuracy sebesar 70.18%, dengan precision 69.51%, recall 69.17% dan f1-score 70.18%. Hasil pengujian tersebut menunjukkan kemampuan model ResNet101 dalam mengklasifikasikan morfologi sperma. Kata Kunci: Deep learning, convolutional neural network, sperma, ResNet101, transfer learning

Item Type:	Other
Subjects:	?? 000 ?? ?? 004 ?? ?? 500 ??
Divisions:	Fakultas MIPA > Prodi Ilmu Komputer
Depositing User:	2308829991 . Digilib
Date Deposited:	17 Jan 2025 02:04
Last Modified:	17 Jan 2025 02:04
URI:	http://digilib.unila.ac.id/id/eprint/81193

Actions (login required)

View Item