%0 Generic
%A Muhammad , Nur Ashiddiqi
%C UNIVERSITAS LAMPUNG
%D 2024
%F eprints:82442
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%T KLASIFIKASI SPERMA MANUSIA BERDASARKAN MORFOLOGI  DENGAN MENGGUNAKAN DEEP LEARNING  CONVOLUTIONAL NEURAL NETWORK (CNN)
%U http://digilib.unila.ac.id/82442/
%X Reproduksi merupakan elemen vital untuk kelangsungan hidup dan menjadi  fokus penelitian ini terkait infertilitas. Kondisi ketidaksuburan yang muncul setelah  pasangan menikah dalam jangka waktu yang cukup lama tanpa tanda-tanda  kehamilan. Dampak infertilitas dapat dirasakan baik oleh perempuan maupun pria,  dengan salah satu penyebab pada pria adalah kualitas sperma yang suboptimal atau  adanya kelainan pada sperma. Dalam era teknologi saat ini Computer Aided Sperm  Analysis (CASA) membuka peluang baru untuk menilai kualitas sperma dengan  memanfaatkan kecerdasan buatan. Penelitian ini membandingkan dua model  Convolutional Neural Network (CNN) yakni MobileNetV2 dan EfficientNetB3  untuk melakukan analisis morfologi sperma menggunakan 3000 citra dengan tiga  kelas yaitu sperma cacat (abnormal sperm), bukan sperma (non sperm), dan sperma  normal (normal sperm). Hasil pengembangan model pembelajaran MobileNetV2  dan EfficientNetB3 mencapai accuracy, precision, recall dan f1score dengan hasil  yang cukup memuaskan.  Kata kunci: CNN, EfficientNetB3, MobileNetV2, Reproduksi, Sperm Morphology  Image Data Set (SMIDS).  ABSTRACT  CLASSIFICATION OF HUMAN SPERM  BASED ON MORPHOLOGY USING DEEP LEARNING  CONVOLUTIONAL NEURAL NETWORK (CNN)  By  Muhammad Nur Ashiddiqi  Reproduction as a vital element for survival, is the focus of study related to  infertility, a condition of infertility can be felt by both women and men, with one  of the causes in men being suboptimal sperm quality or sperm abnormalities. In the  current technological era, computer aided sperm analysis (CASA) opens up new  opportunities to assess sperm quality by utilizing artificial intelligence. This study  compared two convolutional neural network models, namely mobileNetV2 and  EfficientNetB3, to perform sperm morphology analysis using 3000 images with  three main classification classes : abnormal Sperm, non-sperm, and normal sperm.  The result of the learning model development showed positive performance,  especially on the mobilenetv2 and efficientnetb3 architectures, with both models  achieving accuracy, precision, recall, and f1score with satisfactory results.  Keywords: CNN, EfficientNetB3, MobileNetV2, Reproduction, Sperm  Morphology Image Data Set (SMIDS).