PERBANDINGAN PERFORMA MODEL CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR CONVNEXT, MOBILENET V3, DAN EFFICIENTNET PADA PENGKLASIFIKASIAN PENYAKIT MULUT

Amien, Ferli Malkan (2025) PERBANDINGAN PERFORMA MODEL CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR CONVNEXT, MOBILENET V3, DAN EFFICIENTNET PADA PENGKLASIFIKASIAN PENYAKIT MULUT. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	Text 1. ABSTRAK.pdf Download (177kB) | Preview
	Text 2. SKRIPSI FULL.pdf Restricted to Repository staff only Download (3MB) | Request a copy
Preview	Text 3. SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (2MB) | Preview

Abstract

Penyakit mulut merupakan masalah kesehatan global yang memengaruhi miliaran orang di dunia. Deteksi dini berbasis teknologi kecerdasan buatan, khususnya dengan Convolutional Neural Network (CNN), dapat meningkatkan akurasi diagnosis penyakit mulut. Penelitian ini membandingkan performa tiga arsitektur CNN, yaitu ConvNeXt Tiny, MobileNet V3 Large, dan EfficientNet B0, dalam klasifikasi penyakit mulut berdasarkan dataset citra medis. Evaluasi dilakukan dengan mempertimbangkan akurasi, efisiensi komputasi, dan waktu pemrosesan. Hasil penelitian menunjukkan bahwa EfficientNet B0 mencapai akurasi tertinggi (98,21%) dengan jumlah parameter lebih kecil dibandingkan ConvNeXt Tiny. Namun, ConvNeXt Tiny memiliki performa terbaik dalam akurasi absolut (96,96%), meskipun dengan konsumsi sumber daya lebih besar. MobileNet V3 Large menunjukkan efisiensi tinggi dalam penggunaan parameter dengan akurasi kompetitif (96,44%). Dengan demikian, pemilihan arsitektur CNN bergantung pada kebutuhan antara akurasi tinggi atau efisiensi sumber daya komputasi dalam implementasi klinis. Kata kunci: Convolutional Neural Network (CNN), ConvNeXt, MobileNetV3, EfficientNet, Penyakit Mulut

Item Type:	Other
Subjects:	?? 004 ?? ?? 005 ?? ?? 610 ??
Divisions:	Fakultas MIPA > Prodi Ilmu Komputer
Depositing User:	2301443683 . Digilib
Date Deposited:	13 Jun 2025 06:57
Last Modified:	13 Jun 2025 06:57
URI:	http://digilib.unila.ac.id/id/eprint/88563

Actions (login required)

View Item