IMPLEMENTASI ARSITEKTUR DENSELY CONNECTED CONVOLUTIONAL NETWORKS (DENSENET121) UNTUK SISTEM KLASIFIKASI PENYAKIT CACAR BERBASIS MOBILE

Falah, Fajrul (2024) IMPLEMENTASI ARSITEKTUR DENSELY CONNECTED CONVOLUTIONAL NETWORKS (DENSENET121) UNTUK SISTEM KLASIFIKASI PENYAKIT CACAR BERBASIS MOBILE. Undergraduate thesis, Universitas Islam Sultan Agung Semarang.

	Text Teknik Informatika_32602000114_fullpdf.pdf Download (4MB)
	Text Teknik Informatika_32602000114_pernyataan_publikasi.pdf Restricted to Registered users only Download (648kB)

Abstract

Kesehatan menjadi hal yang sangat penting bagi keberlangsungan hidup manusia, adanya penyakit yang menjadi salah satu penyebab terganggunya keberlangsungan tersebut menuntut upaya pencegahan dan penanggulangan yang efektif. Salah satu penyakit yang pernah menjadi ancaman serius bagi kesehatan global adalah cacar. Seiring dengan perkembangan zaman, pengembangan teknologi khususnya dibidang informatika merupakan suatu kunci, dimana penyakit cacar yang menginfeksi manusia dapat diklasifikasikan sehingga dapat membantu tenaga medis dan penderita agar dapat mengetahui jenis cacar yang dideritanya. Penyakit cacar sendiri dapat dikenali berdasarkan luka pada area tubuh yang terinfeksi. Arsitektur Densely connected convolutional networks (Densenet121) adalah salah satu arsitektur Convolutional neural network (CNN), dimana arsitektur ini banyak digunakan dalam klasifikasi gambar. Dalam penelitian ini, telah dikembangkan sistem klasifikasi penyakit cacar menggunakan arsitektur DenseNet121 pada aplikasi mobile Android. Sistem ini bertujuan membantu tenaga medis dan penderita dalam mengidentifikasi jenis cacar berdasarkan luka pada tubuh. Proses pelatihan dan validasi menggunakan beberapa optimizer (Adadelta, Adagrad, Adam, Adamax, Nadam, dan RMSprop) dengan 30 epochs. Optimizer Adagrad memberikan performa terbaik dengan akurasi pelatihan 95.41%, akurasi validasi 97.20%, loss pelatihan 0.1355, dan loss validasi 0.0848. Sistem ini menunjukkan akurasi 100% pada pengujian dengan model Tensorflow lite, membuktikan kemampuan sistem dalam mengklasifikasikan penyakit cacar dengan sangat baik. Kata Kunci : Klasifikasi, Penyakit cacar, Campak, Cacar Monyet, DenseNet121, Android

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:	10 Feb 2025 02:19
URI:	http://repository.unissula.ac.id/id/eprint/37557

Actions (login required)

View Item