Informasi Umum

Kode

25.04.1375

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Medical Sciences - Tecnnologies

Dilihat

43 kali

Informasi Lainnya

Abstraksi

Abstrak  Penelitian ini membahas perbandingan performa empat arsitektur Convolutional Neural Network (CNN) dalam klasifikasi tumor otak menggunakan citra histopatologi. CNN telah membuktikan efektivitasnya dalam meningkatkan akurasi dan efisiensi diagnosis medis berbasis citra. Penelitian ini membandingkan empat arsitektur populer, yaitu ResNet, AlexNet, InceptionNet, dan VGG12, menggunakan dataset citra histopatologi dengan total 2.145 gambar yang terbagi menjadi subset pelatihan (70%), validasi (15%), dan pengujian (15%). Hasil penelitian menunjukkan bahwa model VGG12 mencapai akurasi terbaik sebanyak 98,0%, diikuti oleh InceptionNet dengan akurasi 97,3%. Model ResNet memperoleh akurasi 94,3%, sedangkan AlexNet memiliki akurasi 93,2%. Selain itu, model VGG12 membuktikan performa yang konsisten dengan angka precision, recall, dan F1-Score yang tinggi, menjadikannya pilihan unggul untuk aplikasi medis. Penelitian ini memberikan wawasan mendalam mengenai kelebihan dan keterbatasan masing-masing arsitektur CNN, serta panduan implementasi untuk mendukung pengembangan aplikasi diagnosis medis berbasis citra secara efisien dan akurat.<br /> Kata Kunci: CNN, Resnet, Alexnet, Inception, Vgg12, Tumor Otak, Citra Histopathological<br />  

  • CS3243 - KECERDASAN MESIN DAN ARTIFISIAL
  • CCH4D4 - TUGAS AKHIR
  • CII4Q3 - VISI KOMPUTER

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Anda harus log in untuk mengakses flippingbook

Pengarang

Nama SEKAR DEWI HARNUM SAPUTRI
Jenis Perorangan
Penyunting Achmad Lukman, Muhamad Irsan
Penerjemah

Penerbit

Nama Universitas Telkom, S1 Informatika
Kota Bandung
Tahun 2025

Sirkulasi

Harga sewa IDR 0,00
Denda harian IDR 0,00
Jenis Non-Sirkulasi

Download / Flippingbook