Khoderi, Muhamad (2020) IMPLEMENTASI DEEP NEURAL NETWORK ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN) PADA KLASIFIKASI LESI KULIT. Undergraduate thesis, Universitas Diponegoro.

	Text JUDUL.pdf Download (438kB)
	Text BAB I.pdf Restricted to Repository staff only Download (155kB)
	Text BAB II.pdf Restricted to Repository staff only Download (617kB)
	Text BAB III.pdf Restricted to Repository staff only Download (443kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (70kB)
	Text DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (132kB)
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (724kB)

Abstract

Perkembangan kecerdasan buatan dalam dunia komputer sangat pesat. Deep
learning merupakan salah satu cabang dari kecerdasan buatan yang memberikan
dampak terhadap bidang diluar computer, salah satunya bidang kesehatan.
Perkembangan deep learning dalam dunia kesehatan antara lain sebagai sistem
pendeteksi penyakit dan sistem klasifikasi penyakit. Deep learning dapat digunakan
untuk melakukan sistem klasifikasi lesi kulit. Lesi kulit merupakan pertumbuhan
jaringan di permukaan kulit atau di bawah permukaan yang tidak normal.
Deep learning dapat dibangun menggunakan beberapa arsitektur model,
salah satunya Convolutional Neural Network (CNN). Pada CNN, proses dibagi
menjadi tahap feature learning dan classification. Feature learning terdiri dari
lapisan konvolusi dan lapisan pooling. Classification terdiri dari lapisan
tersembunyi. Masing-masing lapisan memiliki parameter yang memengaruhi hasil
akurasi. Pada lapisan konvolusi, konfigurasi optimal yaitu menggunakan ukuran
kernel (3,3) dan 2 buah lapisan konvolusi dengan menggunakan filter 32 dan 64.
Lapisan pooling paling optimal menggunakan operasi MaxPooling. Proses latih
menggunakan jumlah epoch 40 mendapatkan hasil akurasi terbaik yaitu 0,91
dengan loss 0,29. Hasil uji terbaik menggunakan confusion matrix yaitu akurasi
0.81 dan F1 score 0.78.

Actions (login required)

View Item