NASHRUL SAEFULLAH (2022) KLASIFIKASI CARDIOMEGALY DARI CITRA X-RAY MENGGUNAKAN DEEP LEARNING. S1 thesis, Universitas Muhammadiyah Yogyakarta.
Halaman Judul.pdf
Download (301kB)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (241kB)
Abstrak.pdf
Restricted to Registered users only
Download (103kB)
Bab I.pdf
Download (59kB)
Bab II.pdf
Restricted to Registered users only
Download (579kB)
Bab III.pdf
Restricted to Registered users only
Download (126kB)
Bab IV.pdf
Restricted to Registered users only
Download (2MB)
Bab V.pdf
Restricted to Registered users only
Download (51kB)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (140kB)
Lampiran.pdf
Restricted to Registered users only
Download (1MB)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (174kB)
Full Text.pdf
Restricted to Repository staff only
Download (1MB)
Abstract
Cardiomegaly merupakan istilah medis yang digunakan untuk menyebeut pembesaran jantung, hal ini bisa terdeteksi melalui tes X-Ray atau yang biasa kita sebut dengan rontgen. Cardiomegaly bukanlah sebuah penyakit melainkan gejala dari berbagai masalah kesehatan lain, termasuk penyakit jantung dan tekanan darah tinggi. Cardiomegaly berarti pembesaran jantung, definisinya adalah ketika diameter melintang siluet jantung lebih besar dari atau sama dengan 50% dari diameter melintang dada pada proyeksi posterior-anterior radiografi dada atau tomografi yang dihitung. Adapun tujuan pada penelitian ini adalah untuk melihat hasil klasifikasi model CNN, serta menguji dan mengukur tingkat akurasi yang di dapat. Metode penelitian ini menggunakan 3 Model yaitu VGG16, AlexNet, dan ResNet. Data yang digunakan adalah data sekunder yang diambil dari situs website Kaggle yang kemudian dibagi menjadi 3 class yaitu normal, rawan, dan cardio. Hasil dari penelitian menggunakan model VGG16 mendapatkan model Accuracy 85.10%. Model AlexNet mendapatkan model Acuracy 80.77%. serta model ResNet mendapatkan model Acuracy 81.73%. dari ketiga model tersebut VGG16 dapat mengungguli nilai akurasi dari 2 model lainnya.
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Chest X-Ray, Deep Learning, Convolutional Neural Network, Classification |
Divisions: | Fakultas Teknik > Teknologi Informasi S1 |
Depositing User: | M. Erdiansyah |
Date Deposited: | 07 Dec 2023 06:53 |
Last Modified: | 07 Dec 2023 06:53 |
URI: | https://etd.umy.ac.id/id/eprint/35487 |