Suci Rahmadina M. Rasyid (2021) Perbandingan Kinerja Model DensNet, MobileNet dan ResNet Deep Learning pada Deteksi Covid-19. S1 thesis, Universitas Muhammadiyah Yogyakarta.
Halaman Judul.pdf
Download (376kB)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (146kB)
Abstrak.pdf
Restricted to Registered users only
Download (13kB)
Bab I.pdf
Download (91kB)
Bab II.pdf
Restricted to Registered users only
Download (545kB)
Bab III.pdf
Restricted to Registered users only
Download (72kB)
Bab IV.pdf
Restricted to Registered users only
Download (333kB)
Bab V.pdf
Restricted to Registered users only
Download (91kB)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (155kB)
Lampiran.pdf
Restricted to Registered users only
Download (169kB)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (693kB)
Full Text.pdf
Restricted to Repository staff only
Download (1MB)
Abstract
Coronavirus Disease-2019 (COVID-19) adalah virus corona jenis baru yang menyerang saluran pernapasan dan dapat menular. Kasus yang lebih parah dari infeksi ini adalah dapat menyebabkan pneumonia, sindrom pernapasan akut, gagal ginjal dan bahkan kematian. Deteksi Covid-19 merupakan langkah penting untuk mengenali pasien terduga Covid-19 lebih awal sehingga dapat dilakukan tindakan lanjutan. CT Scan adalah salah satu cara untuk melakukan pendeteksian terhadap penyakit Covid-19. Selain melalui citra CT Scan, metode lain yang dapat digunakan adalah dengan menggunakan metode neural networks atau jaringan saraf tiruan. Neural networks adalah salah satu prinsip dari pembelajaran mendalam yang memiliki banyak lapisan tersembunyi dan pembeljaran mendalam juga sering digunakan untuk mendeteksi beberapa macam penyakit. Dalam penelitian ini penulis mengusulkan pendekatan berbasis pembelajaran mendalam dengan menggunakan tiga metode pre-trained models MobileNet, ResNet50 dan DenseNet121 dengan menggunakan dataset sumber terbuka dari 2038 gambar CT-Scan untuk mendeteksi pasien Covid19 secara efektif. Akurasi terbaik dihasilkan oleh model DenseNet121 sebesar 95.98
Item Type: | Thesis (S1) |
---|---|
Divisions: | Fakultas Teknik > Teknologi Informasi S1 |
Depositing User: | Unnamed user with email robi@umy.ac.id |
Date Deposited: | 14 Dec 2021 03:42 |
Last Modified: | 14 Dec 2021 03:42 |
URI: | https://etd.umy.ac.id/id/eprint/5458 |