Search for collections on Repository Universitas Jenderal Soedirman

+ Advanced search

Implementasi Arsitektur CNN dalam Deteksi Covid-19 pada Citra Chest X-RAY

AULYA, Julia Zaki (2025) Implementasi Arsitektur CNN dalam Deteksi Covid-19 pada Citra Chest X-RAY. Skripsi thesis, Universitas Jenderal Soedirman.

[img] PDF (Cover)
COVER-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Download (262kB)
[img] PDF (Legalitas)
LEGALITAS-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Restricted to Repository staff only
Download (624kB)
[img] PDF (Abstrak)
ABSTRAK-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Download (310kB)
[img] PDF (BabI)
BAB-I-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Restricted to Repository staff only until 14 July 2026.
Download (310kB)
[img] PDF (BabII)
BAB-II-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Restricted to Repository staff only until 14 July 2026.
Download (1MB)
[img] PDF (BabIII)
BAB-III-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Restricted to Repository staff only until 15 July 2026.
Download (358kB)
[img] PDF (BabIV)
BAB-IV-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Restricted to Repository staff only
Download (1MB)
[img] PDF (BabV)
BAB-V-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Download (306kB)
[img] PDF (DaftarPustaka)
DAFTAR PUSTAKA-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Download (299kB)
[img] PDF (Lampiran)
LAMPIRAN-Julia Zaki Aulya-K1B021027-Skripsi-2025.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

COVID-19 merupakan penyakit menular yang disebabkan oleh virus SARSCoV-2, dengan lebih dari 780 juta kasus dan 6,9 juta kematian di seluruh dunia hingga tahun 2023. Gejalanya bervariasi, mulai dari kondisi ringan seperti demam dan batuk hingga kondisi berat seperti pneumonia dan Acute Respiratory Distress Syndrome (ARDS). Deteksi dini sangat penting untuk menurunkan angka kematian, tetapi metode seperti RT-PCR dan Rapid Diagnostic Test (RDT) memiliki keterbatasan dalam hal kecepatan dan akurasi. Sebagai alternatif, Chest X-Ray (CXR) dapat digunakan, meskipun memerlukan keahlian radiologi. Penelitian ini bertujuan untuk menganalisis performa berbagai model Convolutional Neural Network (CNN) dalam mendeteksi COVID-19 melalui citra CXR. Model yang diuji meliputi baseline CNN, VGG16, ResNet50, DenseNet201, MobileNetV1, dan NASNetMobile. Model yang telah dilatih kemudian dievaluasi berdasarkan metrik akurasi, sensitivitas, spesifisitas, dan Intersection over Union (IoU). Hasil evaluasi menunjukkan bahwa NASNetMobile memiliki performa terbaik dengan akurasi 90,57% dan spesifisitas 95,05%, diikuti oleh VGG16 dengan akurasi 89,93% dan spesifisitas 94,70%. Sementara itu, DenseNet201 memiliki performa terendah, dengan akurasi 83,06% dan IoU 71,03%. Model dengan arsitektur lebih kompleks, seperti NASNetMobile dan VGG16, cenderung memiliki performa lebih baik dibandingkan model yang lebih sederhana seperti baseline CNN dan DenseNet201. Dengan demikian, pemilihan model CNN yang tepat dapat meningkatkan akurasi deteksi COVID-19 melalui citra CXR, dengan tetap mempertimbangkan keseimbangan antara akurasi dan efisiensi komputasi sesuai dengan kebutuhan implementasi.

Item Type: Thesis (Skripsi)
Nomor Inventaris: K25071
Uncontrolled Keywords: COVID-19, CXR, CNN, transfer learning
Subjects: P > P252 Phototherapy Radiologists Radium Ultraviolet rays Xrays
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > S1 Matematika
Depositing User: Mrs. Julia Zak Aulya
Date Deposited: 15 Jul 2025 01:03
Last Modified: 15 Jul 2025 01:03
URI: http://repository.unsoed.ac.id/id/eprint/34850

Actions (login required)

View Item View Item