PREDIKSI DOWN SYNDROME PADA ANAK BERDASARKAN CITRA WAJAH MENGGUNAKAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN) EFFICIENTNETB0

KALAM, CORRY FAZID (2025) PREDIKSI DOWN SYNDROME PADA ANAK BERDASARKAN CITRA WAJAH MENGGUNAKAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN) EFFICIENTNETB0. S1 thesis, Universitas Mercu Buana Jakarta.

[img]
Preview
Text (HAL COVER)
01 COVER.pdf

Download (590kB) | Preview
[img] Text (BAB II)
02 BAB 1.pdf
Restricted to Registered users only

Download (110kB)
[img] Text (BAB II)
03 BAB 2.pdf
Restricted to Registered users only

Download (331kB)
[img] Text (BAB III)
04 BAB 3.pdf
Restricted to Registered users only

Download (289kB)
[img] Text (BAB IV)
05 BAB 4.pdf
Restricted to Registered users only

Download (551kB)
[img] Text (BAB V)
06 BAB 5.pdf
Restricted to Registered users only

Download (37kB)
[img] Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (140kB)
[img] Text (LAMPIRAN)
08 LAMPIRAN.pdf
Restricted to Registered users only

Download (667kB)

Abstract

This study uses the Convolutional Neural Network (CNN) method with the EfficientNetb0 architecture to analyze facial images to predict children with Down syndrome. A genetic disorder known as Down Syndrome often exhibits unique facial characteristics that can be computationally analyzed for diagnostic purposes. This research utilizes the proposed EfficientNetb0 CNN architecture model to identify specific patterns in facial images for accurate and early Down syndrome prediction. The data consists of facial images of children affected and unaffected by Down syndrome, and convolutional layers are used to extract relevant features. This research contributes to the development of non-invasive and accessible diagnostic methods that utilize image analysis. The trained EfficientNetb0 CNN architecture model demonstrates promising results in differentiating individuals with and without Down syndrome with accuracy in 94,88%. Keywords: Down Syndrome Prediction, Convolutional Neural Network (CNN), Facial Image Analysis, EfficientNetb0 Studi ini menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur EfficientNetb0 untuk menganalisis gambar wajah untuk memprediksi anak dengan sindrom Down. Suatu gangguan genetik yang dikenalsebagai Sindrom Down sering kali menunjukkan karakteristik wajah unik yang dapat dianalisis secara komputasional untuk tujuan diagnostik. Penelitian ini menggunakan model arsitektur CNN EfficientNetb0 yang diusulkan untuk mengidentifikasi pola khusus dalam gambar wajah untuk prediksi sindrom Down yang akurat dan dini. Data ini terdiri dari gambar wajah anak-anak yang terkena dan tidak terkena sindrom Down, dan lapisan konvolusi digunakan untuk mengekstrak fitur yang relevan. Penelitian ini berkontribusi pada pengembangan metode diagnostik yang non-invasif dan dapat diakses yang menggunakan analisis citra. Model arsitektur CNN EfficientNetb0 yang terlatih menunjukkan hasil yang menjanjikan dalam membedakan orang dengan dan tanpa sindrom Down dengan akurasi 94,88%. Kata Kunci : Prediksi Sindrom Down, Convolutional Neural Network (CNN), Analisis Citra Wajah, EfficientNetb0

Item Type: Thesis (S1)
Call Number CD: FIK/INFO. 25 077
NIM/NIDN Creators: 41519110172
Uncontrolled Keywords: Prediksi Sindrom Down, Convolutional Neural Network (CNN), Analisis Citra Wajah, EfficientNetb0
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
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 > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.32 Neural Nets (Neural Network)/Jaringan Saraf Buatan
200 Religion/Agama > 240 Christian Moral and Devotional Theology/Moral Kristen dan Teologi Kebaktian > 246 Use of Art in Christianity/Seni dalam Agama Kristen > 246.9 Architecture/Arsitektur
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: khalimah
Date Deposited: 31 Jul 2025 06:35
Last Modified: 31 Jul 2025 06:35
URI: http://repository.mercubuana.ac.id/id/eprint/96419

Actions (login required)

View Item View Item