KLASIFIKASI PENYAKIT BATU GINJAL MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DAN SUPPROT VECTOR MACHINE (SVM)

Yuna Meisa, Putri (2025) KLASIFIKASI PENYAKIT BATU GINJAL MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DAN SUPPROT VECTOR MACHINE (SVM). Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung .

Preview	Text Abstrak.pdf Download (262kB) | Preview
	Text draft digilib.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text Draft Tanpa Pembahasan.pdf Download (1MB) | Preview

Abstract

Batu ginjal merupakan salah satu penyakit serius yang dapat menganggu fungsi ginjal dan menimbulkan komplikasi, sehingga deteksi dini menjadi sangat penting. Penelitian ini mengembangkan model klasifikasi citra medis untuk membedakan ginjal normal dan ginjal dengan batu ginjal menggunakan pendekatan Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Dataset berupa citra CT Scan diperoleh dari Kaggle dan diproses melalui tahap segmentasi, cropping, resize, serta augmentasi untuk meningkatkan kualitas data. Model CNN dirancang sebaga deep learning classifier, sedangkan SVM menggunakan fitur Histogram of Oriented Gradients (HOG) dengan beberapa kernel. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan f1-score pada data validasi dan uji. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi 97% pada data validasi dan 94% pada data uji dengan precision, recall, dan f1-score yang seimbang dikedua kelas. Sementara itu, SVM dengan kernel sigmoid menghasilkan akurasi 73% pada validasi dan 67% pada data uji, namun masih lemah dalam mendeteksi kelas Kidney_stone. Secara keseluruhan, model CNN terbukti lebih unggul dibandingkan SVM dalam menangani variasi citra medis, sehingga memiliki potensi besar sebagai sistem pendukung diagnosis batu ginjal secara otomatis.

Item Type:	Other
Subjects:	?? 000 ?? ?? 004 ?? ?? 500 ?? ?? 600 ??
Divisions:	Fakultas MIPA > Prodi Ilmu Komputer
Depositing User:	2507519627 Digilib
Date Deposited:	20 Oct 2025 03:30
Last Modified:	20 Oct 2025 03:30
URI:	http://digilib.unila.ac.id/id/eprint/91463

Actions (login required)

View Item