IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR RESNET-50 UNTUK KLASIFIKASI PENYAKIT STROKE MELALUI ANALISIS POLA CITRA PADA CT SCAN OTAK

Ramadhonni, Salfa Bella Inggrita (2024) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR RESNET-50 UNTUK KLASIFIKASI PENYAKIT STROKE MELALUI ANALISIS POLA CITRA PADA CT SCAN OTAK. Undergraduate thesis, Universitas Islam Sultan Agung Semarang.

	Text Teknik Informatika_32602000057_fullpdf.pdf Download (3MB)
	Text Teknik Informatika_32602000057_pernyataan_publikasi.pdf Restricted to Registered users only Download (43kB)

Abstract

Stroke merupakan disfungsi otak yang bersifat lokal atau meluas akibat terganggunya aliran darah ke otak sehingga dapat mengakibatkan kecacatan dan kematian. Setiap tahunnya lebih dari 13,7 juta orang di seluruh dunia terkena stroke dan sebagai dampaknya 5,8 juta orang meninggal. Oleh karena itu, deteksi dini stroke sangat penting dan membutuhkan teknologi yang mampu memberikan diagnosis cepat, salah satunya adalah Computerized Tomography Scanning atau biasa disebut CT scan. Dengan menggunakan teknologi AI, khususnya algoritma convolutional neural network menggunakan arsitektur ResNet-50, diagnosis stroke dapat dilakukan secara akurat melalui analisis pola citra pada CT scan otak. Penelitian ini melatih model menggunakan 1.824 gambar, terdiri dari 912 gambar stroke dan 912 gambar non-stroke. Pengujian berbagai konfigurasi menghasilkan akurasi sebesar 86.51% untuk data latih dan 83.33% untuk data validasi. Hasil confusion matrix menunjukkan nilai precision, recall, dan f1 score masing-masing sebanyak 94.9%, 77.1%, dan 84.9%. Oleh karena itu, metode ResNet-50 dalam skenario ini cukup unggul dalam mendiagnosis stroke dibandingkan metode lainnya. Kata Kunci : Stroke, CT Scan, CNN, ResNet-50

Item Type:	Thesis (Undergraduate)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknologi Industri Fakultas Teknologi Industri > Teknik Informatika
Depositing User:	Pustakawan 4 UNISSULA
Date Deposited:	12 Feb 2025 01:52
URI:	http://repository.unissula.ac.id/id/eprint/37538

Actions (login required)

View Item