KLASIFIKASI PENYAKIT COVID-19 MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR MOBILENET DAN TRANSFER LEARNING

FAUZAN, RIZQI (2023) KLASIFIKASI PENYAKIT COVID-19 MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR MOBILENET DAN TRANSFER LEARNING. S1 thesis, Universitas Mercu Buana.

Preview	Text (COVER) 01 COVER.pdf Download (270kB) | Preview
Preview	Text (ABSTRAK) 02 ABSTRAK.pdf Download (32kB) | Preview
	Text (BAB I) 03 BAB 1.pdf Restricted to Registered users only Download (32kB)
	Text (BAB II) 04 BAB 2.pdf Restricted to Registered users only Download (169kB)
	Text (BAB III) 05 BAB 3.pdf Restricted to Registered users only Download (32kB)
	Text (BAB IV) 06 BAB 4.pdf Restricted to Registered users only Download (493kB)
	Text (BAB V) 07 BAB 5.pdf Restricted to Registered users only Download (27kB)
	Text (DAFTAR PUSTAKA) 08 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (160kB)
	Text (LAMPIRAN) 09 LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

This research aims to classify COVID-19 images using the CNN MobileNet method with transfer learning, as early detection of positive cases is crucial in reducing the spread of this pandemic. COVID-19 is a respiratory disease caused by the SARSCoV-2 virus and has a significant impact on health and the economy. To enhance the model's performance, a dataset enriched with the Contrast Limited Adaptive Histogram Equalization (CLAHE) technique is used to increase contrast. The contrast on the dataset has been increased by 50% for the COVID-19 and Normal labels, and 100% for the Viral Pneumonia label. Two data separation schemes with a Training Data: Validation Data: Testing Data format of 70%:15%:15% and 80%:10%:10% have been applied in this study. In both schemes, the model managed to achieve an impressive accuracy rate of 91%. In the 70%:15%:15% separation scheme, the precision for the Normal, COVID-19, and Viral Pneumonia labels was 0.83, 0.97, and 0.95 respectively, with recall values of 0.94, 0.96, and 0.83 respectively. Meanwhile, in the 80%:10%:10% separation scheme, the precision obtained for the Normal, COVID-19, and Viral Pneumonia labels was 0.88, 0.94, and 0.90, with recall values of 0.85, 0.99, and 0.88 respectively. These findings can be used to improve the efficiency of automated systems in COVID-19 screening and assist medical personnel in managing cases more effectively. With the use of a dataset that uses CLAHE preprocessing, the detection of COVID-19 infection becomes a key factor in identifying and reducing the risk of transmitting this disease. Keywords: COVID-19, MobileNet, Transfer Learning, CLAHE. Penelitian ini bertujuan untuk mengklasifikasikan gambar-gambar COVID-19 menggunakan metode CNN MobileNet dengan transfer learning, karena deteksi dini kasus positif sangat penting dalam mengurangi penyebaran pandemi ini. COVID-19 adalah penyakit pernapasan yang disebabkan oleh virus SARS-CoV-2 dan memiliki dampak yang signifikan pada kesehatan dan ekonomi. Untuk meningkatkan kinerja model, digunakan dataset yang diperkaya dengan teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk peningkatan kontras. Kontras pada dataset telah ditingkatkan sebanyak 50% untuk label COVID-19 dan Normal, dan 100% untuk label Viral Pneumonia.. Dua skema pemisahan data dengan format Data Training : Data Validasi : Data Testing sebsear, 70%:15%:15% dan 80%:10%:10%, telah diterapkan dalam penelitian ini. Di kedua skema tersebut, model berhasil mencapai tingkat akurasi yang menakjubkan, yaitu 91%. Dalam skema pemisahan 70%:15%:15%, presisi untuk label Normal, COVID-19, dan Viral Pneumonia adalah 0.83, 0.97, dan 0.95 secara berurutan, dengan nilai recall masing-masing adalah 0.94, 0.96, dan 0.83. Sementara itu, dalam skema pemisahan 80%:10%:10%, presisi yang diperoleh untuk label Normal, COVID-19, dan Viral Pneumonia adalah 0.88, 0.94, dan 0.90, dengan nilai recall masing-masing adalah 0.85, 0.99, dan 0.88. Temuan ini dapat digunakan untuk meningkatkan efisiensi sistem otomatis dalam skrining COVID-19 dan membantu tenaga medis dalam mengelola kasus dengan lebih efektif. Dengan penggunaan dataset yang menggunakan pra-pemrosesan CLAHE, deteksi infeksi COVID-19 menjadi faktor kunci dalam mengidentifikasi dan mengurangi risiko penularan penyakit in Kata kunci: COVID-19, MobileNet, Transfer Learning, CLAHE.

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 23 205
NIM/NIDN Creators:	41518010080
Uncontrolled Keywords:	COVID-19, MobileNet, Transfer Learning, CLAHE.
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 003 Systems/Sistem-sistem 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 003 Systems/Sistem-sistem > 003.5 Computer Modeling and Simulation/Model dan Simulasi Komputer 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika > 004.1 General Works on Specific Types of Computers/Karya Umum tentang Tipe-tipe Khusus Komputer
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	CALVIN PRASETYO
Date Deposited:	08 Nov 2023 07:41
Last Modified:	08 Nov 2023 07:41
URI:	http://repository.mercubuana.ac.id/id/eprint/84019

Actions (login required)

View Item