mixed material bibliography Banda Aceh Fakultas Teknik (S1) 2023

Skripsi

Abstrak–Tuberkulosis (TB) adalah penyakit infeksi yang dapat menyerang paru-paru dan organ lainnya. Dalam diagnosis TB, interpretasi citra X-ray memerlukan keahlian spesialis medis. Namun, terbatasnya alat dan tenaga medis menjadi salah satu tantangan dalam interpretasi citra. Oleh karena itu, penerapan Convolutional Neural Network (CNN) dapat membantu dalam pengenalan citra, khususnya citra X-ray. Penelitian ini bertujuan untuk membangun model pengklasifikasi citra X-ray untuk deteksi tuberkulosis dan normal menggunakan algoritma deep learning melalui penerapan sepuluh arsitektur CNN yang terdiri dari ResNet50, ResNet101, EfficientNetB0, EfficientNetB1, EfficientNetB2, EfficientNetB3, EfficientNetB4, EfficientNetB5, EfficientNetB6, dan EfficientNetB7 serta mengetahui pengaruh dari penggunaan dataset yang berbeda. Dalam penelitian ini menggunakan dataset dari empat sumber, yaitu dataset Shenzhen, Montgomery, Belarus, dan RSNA. Dataset tersebut dibagi menjadi tiga skema yang berbeda. Skema 1 hanya menggunakan dataset Shenzhen. Secara visual, citra dataset Shenzhen sulit dibedakan antara TB dan normal. Skema 2 menggunakan dataset Montgomery, Belarus, dan RSNA. Secara visual, citra dari ketiga sumber dataset tersebut umumnya menunjukkan perbedaan yang jelas antara TB dan normal, hanya terdapat beberapa citra yang sulit dibedakan. Skema 3 menggunakan dataset Shenzhen, Montgomery, Belarus, dan RSNA untuk mengetahui pengaruh dari penambahan jumlah dataset. Hasil penelitian menunjukkan bahwa model mencapai kinerja terbaik pada saat digunakan dataset berkualitas baik (skema 2), sementara pada skema 3 yang memiliki jumlah citra terbanyak tidak menghasilkan model pengklasifikasi yang baik. Selain itu, dalam pengenalan citra X-ray, ditemukan bahwa ResNet-101 terbukti memiliki performa kinerja yang sangat baik dengan mencapai tingkat accuracy sebesar 99,2%, sensitivity 98,5%, dan specificity 100%. Kata Kunci: Tuberkulosis, Convolutional Neural Network (CNN), ResNet, EfficientNet. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 113268 2023-08-11 11:18:27 2023-08-11 16:38:01 machine generated