Analisis Perbandingan Algoritma Klasifikasi Citra Chest X-ray Untuk Deteksi Covid-19

Naufal, Mohammad Farid; Kusuma, Selvia Ferdiana; Tanus, Kevin Christian; Sukiwun, Raynaldy Valentino; Kristiano, Joseph; Lieyanto, Jeremy Owen; Cristianindra, R Daniel

doi:10.34148/teknika.v10i2.331

Cited by 6 publications

(7 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penelitian ini menggunakan metode non-deep learning KNN dan SVM, serta metode deep learning CNN. Hasilnya menunjukkan bahwa CNN mendapatkan performa yang lebih baik dengan nilai akurasi sebesar 0,9591, sedangkan KNN dan SVM hanya mencapai 0,921 dan 0,93 [9]. Penelitian Analisis Perbandingan antara Algoritma Convolutional Neural Network dan Algoritma Multi-Layer Perception Neural, terdapat hasil yang menunjukkan bahwa CNN memiliki performa yang lebih baik dengan nilai precision, recall, f1-score, dan accuracy mencapai 0,98 dan lebih efektif dalam melakukan klasifikasi [10].…”

Section: Pendahuluanunclassified

Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data

DLY,

Jasril,

Sanjaya

et al. 2023

josh

View full text Add to dashboard Cite

Konsumsi daging di Indonesia didominasi oleh sapi, kerbau, dan ayam. Namun, beberapa pedagang nakal mencampur daging sapi dengan daging babi sehingga sulit dibedakan oleh masyarakat awam. Beberapa penelitian telah menggunakan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan citra, namun kekurangan data menjadi tantangan. Oleh karena itu, penelitian ini menerapkan teknik augmentasi data pada model CNN Alexnet untuk mengklasifikasikan daging sapi, babi, dan daging oplosan. Penelitian ini menggunakan dua rasio pembagian data yang berbeda, yaitu 90:10 dan 80:20, dengan total 600 data non-augmentasi dan 3000 data augmentasi yang dibagi menjadi tiga kelas. Beberapa hyperparameter diuji untuk mengoptimalkan kinerja model seperti optimizer Adaptive Moment Estimation (Adam), Stochastic Gradient Descent (SGD) dan Propagasi Root Mean Square (RMSprop) serta learning rate 0.1, 0.01, 0.001 dan 0.0001. Hasil menunjukkan bahwa penggunaan data citra augmentasi dengan optimizer Adam dan learning rate 0,001 memberikan accuracy tertinggi sebesar 85,00%. Sementara itu, penggunaan data citra non-augmentasi dengan skenario optimizer RMSprop dan learning rate 0, 0001 menghasilkan performa yang sedikit lebih rendah, yaitu mendapatkan accuracy 80.00%. Keduanya menggunakan perbandingan data 80:20. Teknik augmentasi data berhasil meningkatkan kinerja model deep learning dengan menciptakan data baru dari data yang ada.

show abstract

Section: Pendahuluanunclassified

Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data

DLY,

Jasril,

Sanjaya

et al. 2023

josh

View full text Add to dashboard Cite

show abstract

“…Data citra yang telah diinput kemudian diproses untuk dilakukan training-validasi . Proses training-validasi menggunakan metode cross validation (Naufal, 2021) yang mana 70% data digunakan sebagai data training dan 30% data digunakan sebagai data validasi. Setelah didapatkan hasil, selanjutnya dilakukan proses testing untuk menguji akurasi metode yang digunakan.…”

Section: Pengujian Dengan Metode Cnnunclassified

Klasifikasi Kualitas Teh Hitam Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Citra Digital

Komariyah,

Rohmatulloh,

Hendrawan

et al. 2023

JRPB

View full text Add to dashboard Cite

Sebagai negara tropis, produksi teh hitam di Indonesia sangat besar. Berdasarkan kualitasnya, teh hitam di Indonesia telah diekspor ke beberapa negara. Dalam rangka memenuhi permintaan standar kualitas yang dibutuhkan di tiap negara, teh hitam diklasifikasikan menjadi tiga jenis, diantaranya grade A, grade B, dan grade C. tetapi, pada kenyataannya industri memiliki permasalahan pada pemenuhan standar quality control karena kebanyakan industri masih menggunakan metode manual. Maka dari itu tujuan dari penelitian ini adalah untuk mengklasifikan tiga jenis mutu teh secara otomatis dengan menggunakan convolutional neural network (CNN). Dua tipe pre-trained network digunakan yakni arsitektur AlexNet dan ResNet50. Berdasarkan analisis sensitivitas didapatkan nilai akurasi yang tinggi pada proses training dan validasi. Tiga model terbaik dari CNN didapatkan diantaranya AlexNet dengan solver Adam dan learning rate 0.00005; AlexNet dengan solver RMSProp dan learning rate 0.0001; ResNet50 dengan solver SGDm dan learning rate 0.00005 yang mana mendapatkan nilai akurasi training dan validasi hingga 100%. Selanjutnya didapatkan nilai akurasi klasifikasi dengan arsitektur AlexNet dengan solver Adam dan learning rate 0.00005 mampu mengklasifikasikan grade B dan grade C tepat 100% tanpa adanya error. Tetapi untuk grade A terdapat kesalahan sehingga nilai akurasi menjadi 99.7%. Sedangkan untuk arsitektur AlexNet dengan solver RMSProp dan learning rate 0.0001 dan arsitektur ResNet50 dengan solver SGDm dan learning rate 0.00005 dapat mengklasifikasikan teh hitam tepat sesuai dengan kelasnya. Berdasarkan hasil tersebut dapat disimpulkan bahwa CNN mampu mengklasifikasikan teh hitam secara efektif.

show abstract

“…Deep Learning merupakan bagian dari Machine Learning. Deep Learning terdiri dari banyak kelas atau jenis, beberapa yang paling sering digunakan adalah Convolutional Neural Network (CNN), Multilayer Perceptrons (MLP), dan Recurrent Neural Network (RNN) [7].…”

Section: Metode Klasifikasiunclassified

Kinerja Algoritma Convolutional Neural Network dalam Klasifikasi Covid-19 Varian Omicron Berdasarkan Citra Ct-Scan Thoax

Nurdiawan

Herdiana²,

Ali³

et al. 2022

Jur. Ris. Kom.

View full text Add to dashboard Cite

The second wave of the Covid-19 tsunami in India has broken the record for the highest number of additional cases and deaths in the world. Variant mutations are one of the contributing factors. Infection Crown variant Delta (B.1.617.2) is a mutation of the Covid-19 infection that has been endemic (SARS-CoV.2 B.1.617). The problem in this study is that the level of accuracy is still low in determining the covid-19 variant of the omicron resulting in uncertainty in decision makers by experts so that this research is needed to help with excellent accuracy measurements. The purpose of this study is to find a good model by applying the Convolutional Neural Network algorithm so that it can increase high accuracy and can be used in decision making by medical experts. The results of this study provide important information that the image size and the amount of input data greatly affect the level of accuracy in the Convolutional Neural Network method with the stages of data collection, preprocessing, Image Augmentation, Resize, Split Data, Convolutional Neural Network Architecture, Convolution, Pooling, Flattening, Full Connections, and Evaluations. Accuracy results with 400 input data produce training and testing (validation) on a chest x-ray image dataset using the Convolutional Neural Network architecture that has been created, 30 iterations (epochs) and 30 step_per_epochs showing an accuracy value of 0.88 or 88 % and the loss value is 0.3119 and the accuracy results with input data are 800 data, resulting in training and testing (validation) on the chest x-ray image dataset using the Convolutional Neural Network architecture that has been created, iterations (epochs) 30 times, and step_per_epoch as many as 30 shows an accuracy value of 0.93 or 93% and a loss value of 0.2711

show abstract

Analisis Perbandingan Algoritma Klasifikasi Citra Chest X-ray Untuk Deteksi Covid-19

Cited by 6 publications

References 10 publications

Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data

Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data

Klasifikasi Kualitas Teh Hitam Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Citra Digital

Kinerja Algoritma Convolutional Neural Network dalam Klasifikasi Covid-19 Varian Omicron Berdasarkan Citra Ct-Scan Thoax

Contact Info

Product

Resources

About