<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="1703555">
 <titleInfo>
  <title>OBESITY EARLY DIAGNOSIS SYSTEM BASED ON THERMAL IMAGING AND DEEP LEARNING</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Hendrik Leo</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Pasca Sarjana</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Dissertation</form>
  <extent></extent>
 </physicalDescription>
 <note>Obesitas, suatu gangguan metabolik yang ditandai dengan akumulasi lemak abnormal, merupakan faktor risiko signifikan bagi berbagai penyakit, termasuk kondisi kardiovaskular, diabetes, dan kanker, sehingga memerlukan pengembangan metode diagnostik yang non-invasif dan hemat biaya. Penelitian ini membahas tiga tujuan utama: (1) membangun dataset termografi standar untuk skrining obesitas, (2) mengembangkan arsitektur CNN ringan yang efisien dengan menyeimbangkan akurasi dan kompleksitas, dan (3) menciptakan kerangka klasifikasi yang dioptimalkan menggunakan regio tubuh representatif dengan fusi tingkat keputusan. Penelitian ini menyumbangkan dataset termografi akses terbuka yang terdiri dari 1.380 citra dari 138 partisipan pria Indonesia; model CNN ringan baru, MD-2-4-4-2, yang dibangun dengan memodifikasi DenseNet201 dengan konvolusi terpisah kedalaman yang terinspirasi MobileNet; dan kerangka klasifikasi berbasis fusi soft-voting yang memanfaatkan regio supraklavikula, abdomen, dan lengan bawah, yang mencapai akurasi hingga 98,08% dan klasifikasi sempurna dalam beberapa konfigurasi dengan tetap mempertahankan ukuran ringkas 19,4 MB. Hasil ini menunjukkan pendekatan praktis dan efektif untuk deteksi obesitas dini melalui pencitraan termal dan pembelajaran mendalam.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>1703555</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-10-16 23:48:59</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-10-17 09:09:59</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>