Devky Revaldi Putro (2021) Klasifikasi Citra Mycobacterium Tuberculosis dengan Metode Convolutional Neural Network (CNN). Skripsi thesis, UNIVERSITAS AIRLANGGA.
![[img]](https://repository.unair.ac.id/style/images/fileicons/text.png) |
Text
1. HALAMAN JUDUL.pdf Download (559kB) |
|
Text
2. ABSTRAK.pdf Download (342kB) |
|
Text
3. DAFTAR ISI.pdf Download (307kB) |
|
Text
4. BAB I PENDAHULUAN.pdf Download (305kB) |
|
Text
5. BAB II TINJAUAN PUSTAKA.pdf Restricted to Registered users only until 25 June 2024. Download (830kB) | Request a copy |
|
Text
6. BAB III METODE PENELITIAN.pdf Restricted to Registered users only until 25 June 2024. Download (531kB) | Request a copy |
|
Text
7. BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Registered users only until 25 June 2024. Download (839kB) | Request a copy |
|
Text
8. BAB V KESIMPULAN DAN SARAN.pdf Restricted to Registered users only until 25 June 2024. Download (288kB) | Request a copy |
|
Text
9. DAFTAR PUSTAKA.pdf Download (261kB) |
|
Text
10. LAMPIRAN.pdf Restricted to Registered users only until 25 June 2024. Download (1MB) | Request a copy |
|
Text
Pernyataan Kesediaan Publikasi.pdf Restricted to Registered users only Download (240kB) | Request a copy |
Abstract
Mycobacterium Tuberculosis merupakan bakteri penyebab penyakit menular TBC (tuberculosis). Bakteri ini sendiri sebagian besar dapat menyerang paru-paru manusia. Gejala utama yang dirasakan oleh pengidap penyakit TBC yaitu batuk yang berdahak selama dua minggu atau lebih. Pada tahun 2017, jumlah kasus baru yang ada di Indonesia sekitar 420.945. Di Indonesia sendiri angka keberhasilan pengobatan mencapai 80,1% dan angka ketidakberhasilan serta kematian mencapai 2,9%. Kegagalan ini disebabkan oleh penanganan yang belum maksimal. Kecerdasan buatan dapat mengurangi kesalahan yang bisa dibuat oleh manusia. Salah satu caranya adalah mengklasifikasi citra bakteri tersebut dengan menggunakan metode Convolutional Neural Network untuk membedakan bakteri Tuberculosis dan Non-Tuberculosis. Arsitektur Convolutional Neural Network yang digunakan adalah Resnet-50 dan VGG-31. Sehingga mendapatkan kesimpulan bahwa arsitektur VGG-31 memiliki akurasi yang lebih besar dengan akurasi 98.8%, spesifitas 100% dan sensitivitas 97.5%.
| Item Type: | Thesis (Skripsi) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Additional Information: | KKC KK MPF.13-21 Put k | |||||||||
| Uncontrolled Keywords: | Classification, Image, Mycobacterium Tuberculosis, Convolutional Neural Network, Resnet-50, VGG-31 | |||||||||
| Subjects: | Q Science > QC Physics | |||||||||
| Divisions: | 08. Fakultas Sains dan Teknologi > Fisika | |||||||||
| Creators: |
|
|||||||||
| Contributors: |
|
|||||||||
| Depositing User: | S.Sos. Sukma Kartikasari | |||||||||
| Date Deposited: | 24 Jun 2021 23:47 | |||||||||
| Last Modified: | 24 Jun 2021 23:47 | |||||||||
| URI: | http://repository.unair.ac.id/id/eprint/108202 | |||||||||
| Sosial Share: | ||||||||||
Actions (login required)
 |
View Item |