Allifa childa Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Komputer 2024

Skripsi

Stroke adalah gangguan otak yang menyebabkan kelumpuhan saraf akibat gangguan aliran darah di area tertentu pada otak manusia. Berdasarkan data WHO (World Health Organization), setiap tahun ada 15 juta individu yang mengalami stroke di seluruh dunia. Penentuan penyakit stroke biasanya dilakukan dengan mengevaluasi citra CT-Scan (computerized tomography scan) atau MRI (magnetic resonance imaging), namun metode ini memakan biaya tinggi dan prosesnya lambat. Oleh karena itu, penelitian ini bertujuan untuk membangun model deep learning menggunakan arsitektur EfficientNetV2 dengan tiga varian, yaitu B0, B1, dan S, untuk mengklasifikasi stroke dan non-stroke berdasarkan citra wajah dengan lebih cepat dan biaya yang lebih rendah, serta akurasi prediksi yang tinggi. Penelitian ini menggunakan citra wajah dari platform Kaggle, dengan total 2.500 citra yang terbagi dalam dua kelas: stroke dan non-stroke. Hasil penelitian menunjukkan bahwa ketiga varian EfficientNetV2 (B0, B1, dan S) berhasil mencapai akurasi 100%, dengan presisi 100%, recall 100%, dan F1-score 100% dalam mengklasifikasi stroke dan non-stroke berdasarkan citra wajah pada epoch 60 dengan learning rate 0,001. Pengujian lanjutan dilakukan terhadap model terbaik yang didapat pada pengujian sebelumnya dengan menggunakan dua jenis data uji baru: 250 citra augmentasi dan 250 citra tanpa augmentasi, seimbang antara jumlah citra stroke dan non-stroke. Hasil dari pengujian lanjutan menunjukkan bahwa EfficientNetV2-S dengan epoch 100 menunjukkan kinerja terbaik pada data uji tanpa augmentasi dengan akurasi 80,00%, sementara EfficientNetV2-B0 dengan epoch 60 unggul pada data uji yang diaugmentasi dengan akurasi 82,40%. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 128437 2024-08-22 11:31:46 2024-08-22 15:07:51 machine generated