Hendrik Leo Primary Author mixed material bibliography Banda Aceh Prog. Studi Magister Teknik Elektro 2022 id Indonesia

Theses

Jumlah penderita penyakit obesitas terus meningkat setiap tahunnya. Sehingga diperlukan suatu sistem diagnosa dini dari penyakit obesitas sehingga masyarakat mampu menjaga pola makan dan pola hidup sehat sejak dini. Namun metode diagnosis obesitas yang sudah ada sulit dijangkau dan digunakan oleh masyarakat. Tujuan penelitian ini adalah menghasilkan model sistem diagnosa obesitas berbasiskan thermal imaging dan deep learning yang mampu melakukan klasifikasi antara citra obesitas dan citra normal melalui aplikasi smart phone. Pada penelitian ini dibangun dataset citra termal peserta obesitas dan peserta normal menggunakan kamera termal. Dataset akan menjadi input dalam proses training model pre-trained CNN dan model custom CNN yang telah dilakukan fine tuning. Dalam proses desain model pre-trained CNN, digunakan arsitektur dan weight dari model pre-trained CNN yang sudah tersedia yaitu VGG19, MobileNet, Resnet152V2 dan DenseNet201. Sedangkan pada desain model custom CNN dibangun arsitektur model CNN C1, C2, dan C3. Hasil analisa dataset yang dibangun menunjukkan perbedaan suhu ROI antara citra normal dan obesitas berada pada bagian Abdomen sebesar 4.68 %. Hasil training model pre-trained CNN menunjukkan model DenseNet201 memiliki akurasi tertinggi sebesar 87 % dan model MobileNet memiliki time elapsed tercepat yaitu 13 detik. Sedangkan hasil training model custom menunjukkan model C2 memiliki akurasi tertinggi sebesar 76 % dan time elapsed sebesar 19 detik. Model C2 telah diimplementasikan ke dalam aplikasi smartphone sederhana berbasiskan android. Aplikasi akan menampilkan propabilitas diagnosa antara citra normal dan obesitas sehingga dapat digunakan masyarakat dalam melakukan deteksi dini penyakit obesitas. APLLICATION SOFTWARE 005.3 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 98332 2022-02-28 21:33:01 2022-05-17 14:31:16 machine generated