Analisis Kinerja Algoritma Mesin Pembelajaran untuk Klarifikasi Penyakit Stroke Menggunakan Citra CT Scan

Sakinah, Nur; Badriyah, Tessy; Syarif, Iwan

doi:10.25126/jtiik.2020743482

Cited by 3 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Preprocessing merupakan langkah yang diterapkan sebelum dilakukan analisis. Prepocessing juga untuk meningkatkan kualitas citra, meningkatkan kontras, dan menghilangkan noise (Sakinah, Badriyah, & Syarif, 2020). Median blur adalah untuk mengurangi atau menghilangkan noise pada citra.…”

Section: A Preprocessing (Median Blur)unclassified

Klasifikasi Ragam Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn)

Prasetyo,

Faza,

Pratama

et al. 2023

ATASI

View full text Add to dashboard Cite

Proses klasifikasi citra ragam kendaraan menjadi suatu tantangan yang menarik untuk dilakukan penelitian. Proses klasifikasi ragam kendaraan banyak digunakan diberbagai banyak hal seperti pada proses e-tilang, e-parkir, maupun pada bidang yang lainnya. Salah satu metode yang biasa digunakan untuk proses klasifikasi adalah menggunakan metode Convolutional Neural Network (CNN). Metode CNN banyak digunakan untuk melakukan proses klasifikasi karena teruji dan telah terbukti efektif dalam pengolahan citra dan pengenalan pola. Dalam klasifikasi ragam kendaraan, CNN mampu mengekstrak fitur secara otomatis dan mengenali pola kompleks dalam data citra. Metode CNN memberikan efisiensi dan akurasi yang tinggi dalam klasifikasi ragam kendaraan, dengan berbagai aplikasi praktis seperti pengawasan lalu lintas dan sistem pengenalan plat nomor. Penelitian yang dilakukan yaitu melakukan pengenalan citra kendaraan bermotor untuk mengetahui jenis kendaraan roda dua (motor) dan kendaraan roda 4 (mobil) dengan menggunakan kombinasi metode otsu thresholding dan CNN. Hasil dari penelitian yang telah dilakukan dapat melakukan pengenalan kedua jenis kendaraan tersebut dengan baik dengan menampilkan tingkat keyakinan pada proses klasifikasi.

show abstract

Section: A Preprocessing (Median Blur)unclassified

Klasifikasi Ragam Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn)

Prasetyo,

Faza,

Pratama

et al. 2023

ATASI

View full text Add to dashboard Cite

show abstract

“…Research using polynomial kernels in coffee fruit classification based on feature extraction results using the Hue Saturation Value (HSV) model shows quite good performance with accuracy and f-score values of 78% [22]. Research using RBF kernels in stroke disease classification based on CT Scan image feature extraction results using the Gray-Level Co-Occurrence Matrix (GLCM) method shows a good performance with accuracy and recall values of 82.22%, the precision value of 82.23% and F1-Measure value of 82.27% [23]. Another study on the classification of metallurgical properties of metal pellets based on the results of digital image feature extraction using the GLCM method showed that the sigmoid kernel function used in the SVM algorithm was able to produce an accuracy of up to 98% [24].…”

Section: A Support Vector Machinementioning

confidence: 99%

Transfer Learning for Feral Cat Classification Using Logistic Regression

Tambunan¹,

Rosnelly

Situmorang³

2023

ICoSTEC

View full text Add to dashboard Cite

Machine learning is an alternative tool for classifying animal species, especially feral cats. In this research, we use a machine learning algorithm to classify three species of feral cats: American Wildcat, Black-footed Cat, and European Wildcat. We also use a transfer learning model using the VGG-19 network for extracting the features in the feral cat images. By combining the VGG-19 and logistic regression algorithm, we build six models and compare which one is the best to solve the problem. We evaluate and analyze all models using a 5-fold, 10-fold, and 20- fold cross-validation, with accuracy, precision, and recall as the base performance value. The best result obtained is a model with a lasso regularization and cost parameter value of 1, with an accuracy value of 0.846667, a precision value of 0.845389, and a recall value of 0.846667. We also tune the C parameter in each LR model with values such as 0.1, 0.5, and 1. The most optimum C value for the lasso and ridge regularization is one, resulting in an average value of accuracy = 0.813, precision = 0.812, and recall = 0.813.

show abstract

“…Gejala umum stroke meliputi sensasi kesemutan atau kebas di beberapa bagian tubuh, kesulitan berbicara, dan penurunan kondisi wajah. Oleh karena itu, penting untuk melakukan diagnosa stroke dengan menggunakan metode pencitraan seperti CT-scan, yang memberikan gambaran tubuh pasien untuk mengidentifikasi jenis stroke yang terjadi secara cepat dan akurat [3]. Di era teknologi saat ini, kecerdasan buatan (Artificial Intelligence) telah banyak dikembangkan untuk membantu mempermudah tugas manusia, bahkan mampu melakukan tugas yang sulit bagi manusia tetapi dapat dilakukan oleh mesin.…”

Section: Latar Belakangunclassified

Identifikasi Stroke Menggunakan Metode Transfer learning Arsitektur Convolutional Neural Network Pada Citra CT-scan Kepala

Waliidaturrahmaniah,

Hasanuddin,

Wahyuni

2023

Prism. Fis.

View full text Add to dashboard Cite

Stroke menjadi penyebab terbesar atas kecatatan dan kematian pada masyarakat Indonesia. Tingkat penderita stroke yang tertinggi di wilayah Asia Tenggara adalah Indonesia. Hal tersebut yang menjadi perhatian pada penelitian ini untuk dapat mengidentifikasi citra kepala hasil dari proses pencitraan medis yaitu CT-scan. Salah satu pemanfaatan teknologi IT dalam bidang medis adalah menggantikan fungsi kerja manusia dalam merepresentasikan hasil citra CT-scan dengan kinerja mesin. Teknologi tersebut memanfaatkan arsitektur Convolutional Neural Network (CNN) metode transfer learning. Pada penelitian ini, dataset yang akan digunakan adalah citra CT-scan kepala dari website www.kaggle.com. Beberapa variasi arsitektur yang digunakan adalah arsitektur AlexNet, VGG16, dan GoogLeNet serta variasi optimizer Stochastic Gradient Descent (SGD), AdaGrad, RMSProp, dan Adam. Hasil yang diperoleh adalah Akurasi AlexNet dengan menggunakan optimizer SGD adalah 75%, AdaGrad sebesar 93%, RMSProp menghasilkan 90%, dan Adam sebesar 85%. Hasil akurasi pada arsitektur VGG16 dengan menggunakan optimizer SGD adalah 73%, AdaGrad sebesar 88%, RMSProp menghasilkan 68%, dan Adam sebesar 91. Arsitektur GoogLeNet menghasilkan nilai akurasi dengan menggunakan optimizer SGD sebesar 65%, AdaGrad, RMSProp dan Adam masing masing menghasilkan akurasi sebesar 65%, 84%, 93% dan 85%.Arsitektur GoogLeNet dan AlexNet dengan optimizer yang berbeda yaitu AdaGrad dan RMSProp berhasil memperoleh akurasi tertinggi diantara arsitektur lainnya dengan akurasi sebesar 93%. Perbedaannya hanya waktu yang dibutuhkan kedua arsitektur ini untuk melakukan proses pelatihan yaitu 4 menit 15 detik untuk arsitektur AlexNet optimizer AdaGrad, dan 12 menit 26 detik untuk arsitektur GoogLeNet optimizer RMSProp. Kata Kunci: Convolutional_Neural_Network_(CNN), CT-scan, Optimizer, Stroke, Transfer_learning.

show abstract

Analisis Kinerja Algoritma Mesin Pembelajaran untuk Klarifikasi Penyakit Stroke Menggunakan Citra CT Scan

Cited by 3 publications

References 0 publications

Klasifikasi Ragam Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn)

Klasifikasi Ragam Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn)

Transfer Learning for Feral Cat Classification Using Logistic Regression

Identifikasi Stroke Menggunakan Metode Transfer learning Arsitektur Convolutional Neural Network Pada Citra CT-scan Kepala

Contact Info

Product

Resources

About