Budi Dwi Satoto (2021) Identifikasi Bakteri Gram-Negatif Menggunakan Extreme Learning Machine Dan Convolutional Neural Network. Disertasi thesis, UNIVERSITAS AIRLANGGA.

	Text (HALAMAN JUDUL) 1. HALAMAN JUDUL.pdf Download (315kB)
	Text (DAFTAR ISI) 2. DAFTAR ISI.pdf Download (315kB)
	Text (ABSTRAK) 3. ABSTRAK.pdf Download (172kB)
	Text (BAB 1) 4. BAB 1 PENDAHULUAN.pdf Download (334kB)
	Text (BAB II) 5. BAB II TINJAUAN PUSTAKA.pdf Restricted to Registered users only until 18 March 2024. Download (1MB) | Request a copy
	Text (BAB III) 6. BAB III KERANGKA KONSEP.pdf Restricted to Registered users only until 18 March 2024. Download (238kB) | Request a copy
	Text (BAB IV) 7. BAB IV METODE PENELITIAN.pdf Restricted to Registered users only until 18 March 2024. Download (387kB) | Request a copy
	Text (BAB V) 8. BAB V HASIL PENELITIAN.pdf Restricted to Registered users only until 18 February 2024. Download (3MB) | Request a copy
	Text (BAB VI) 9. BAB VI KESIMPULAN DAN SARAN.pdf Restricted to Repository staff only until 18 March 2024. Download (176kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10. DAFTAR PUSTAKA.pdf Download (237kB)
	Text (LAMPIRAN) 11. LAMPIRAN.pdf Restricted to Registered users only until 18 March 2024. Download (514kB) | Request a copy
	Text (PERMOHONAN EMBARGO) 12. PERMOHONAN EMBARGO.pdf Restricted to Registered users only Download (139kB) | Request a copy

Abstract

Bakteri Gram-negatif merupakan salah satu kuman yang dapat menyebabkan kerusakan lobus paru. Sampel bakteri diperoleh melalui specimen sputum pasien dengan kriteria inklusi pneumonia. Langkah pertama yang dilakukan pada sampel bakteri adalah melewati uji patogen menggunakan mesin Phoenix di laboratorium mikrobiologi rumah sakit Dr.Soetomo. Setelah itu, bakteri dibiakkan menggunakan media Mac Conkey dengan masa inkubasi maximal 12 jam. Untuk proses identifikasi objek bakteri masih dilakukan dengan pengamatan visual di bawah mikroskop fluorescence. Kontribusi yang ditawarkan dari penelitian ini adalah penggunaan metode pengolahan citra untuk membantu melakukan identifikasi dan klasifikasi. Metode yang diusulkan adalah Extreme learning machine dan Convolutional neural network. Extreme learning machine dipilih karena proses klasifikasinya cepat, sementara Convolutional neural network dipilih karena memiliki tingkat akurasi tinggi. Namun Convolutional neural network memiliki kelemahan karena proses training untuk mendapatkan model membutuhkan waktu yang lama. Hal ini menjadi ide bagi penulis untuk mendapatkan waktu proses optimal dengan cara menggunakan custom layer atau layer yang dirancang sendiri dengan penambahan auto-contrast, augmentasi data, dan tahapan optimasi pencarian parameter optimal dengan metode bayesian. Penelitian ini menggunakan total sampel 1000 gambar dari 4 kelas yang berbeda. Empat kelas yang digunakan adalah Acinetobacter baumanii, Pseudomonas aerugenusa, Eschericia colli dan Klebsiella pneumonia. Data yang digunakan pada tahap pelatihan, pengujian, dan validasi memiliki dimensi 224x224 piksel, resolusi 96 dot per inch, dan kedalaman 24 bit. Hasil skenario ujicoba menunjukkan bahwa metode yang diajukan dapat direkomendasikan untuk menjadi pelengkap analisa medis di laboratorium mikrobiologi untuk membedakan empat kelas bakteri Gram negatif. Akurasi yang diperoleh pada tahap pelatihan adalah 99,25%- 99.80% dan pada saat testing rata rata 98.5%. Error klasifikasi Custom layer memiliki Error terkecil pada MSE 0.0025, RMSE 0.0500 dan MAE 0.0025. Hasil pencarian optimal parameter didapatkan nilai momentum 0.80127 dan nilai initial learning rate 0.00013454. Pada analisa dengan kurva Receiver Operating Characteristic didapatkan nilai Area Under the Curve 0.8365 yang artinya sistem bekerja dengan baik.

Actions (login required)

View Item