IMPLEMENTASI MODEL HYBRID CONVOLUTIONAL NEURAL NETWORK (CNN)–EXTREME GRADIENT BOOSTING (XGBOOST) DALAM KLASIFIKASI PENYAKIT KAKI GAJAH

FATHIYYA, JASMINE (2026) IMPLEMENTASI MODEL HYBRID CONVOLUTIONAL NEURAL NETWORK (CNN)–EXTREME GRADIENT BOOSTING (XGBOOST) DALAM KLASIFIKASI PENYAKIT KAKI GAJAH. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (151Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (5Mb) | Minta salinan
Preview	File PDF SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (3558Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Penyakit kaki gajah atau elephantiasis merupakan kondisi pembengkakan ekstrem pada salah satu kaki yang disebabkan faktor internal maupun faktor eskternal. Penyakit kaki gajah (elephantiasis) memiliki gejala yang mirip antara filariasis limfatik (parasit) dan limfedema (non-parasit), sehingga terdapat kesulitan dalam membedakan kondisi fisik penyakit tersebut. Diagnosis kedua penyakit sebagian besar masih bergantung pada metode konvensional dan penelitian menggunakan pendekatan algoritma untuk penyakit kaki gajah (elephantiasis) masih sangat jarang dilakukan. Penelitian ini bertujuan mengembangkan model hybrid menggunakan CNN dan XGBoost, dengan menggabungkan kemampuan CNN untuk ekstraksi fitur dan XGBoost sebagai pengklasifikasi guna mengoptimalkan hasil. Metode hybrid yang digunakan juga mampu memberikan waktu pelatihan yang lebih efisien daripada model CNN murni. Evaluasi dilakukan menggunakan metode k-fold cross validation (k = 10) dengan metrik seperti accuracy, precision, recall, dan f1-score. Hasil menunjukkan bahwa model CNN murni memperoleh mean training accuracy sebesar 87.11% dan mean validation accuracy 89.83%, dengan performa terbaik pada fold ke-5 yang menghasilkan accuracy 94.87%. Model hybrid CNN-XGBoost menunjukkan kinerja yang lebih baik dan konsisten, dengan mean training accuracy 93.07% dan mean validation accuracy sebesar 91.83%, serta hasil terbaik pada fold ke-1 dengan accuracy 96.15%. Selain itu, model hybrid juga menghasilkan metrik evaluasi yang lebih tinggi dan waktu pelatihan yang lebih cepat sekitar 44-53 detik dibandingkan CNN murni sekitar 9-24 menit yang menunjukkan efektivitas kombinasi dari model CNN dan XGBoost.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	2602758543 Digilib
Date Deposited:	21 Apr 2026 07:02
Terakhir diubah:	21 Apr 2026 07:02
URI:	http://digilib.unila.ac.id/id/eprint/98397

Actions (login required)

Lihat Karya Akhir