LAZWARDI, Bagja (0022) Klasifikasi Pectus Excavatum Menggunakan Convolutional Neural Network dengan Arsitektur Inception V3. Skripsi thesis, Universitas Jenderal Soedirman.
![[img]](http://repository.unsoed.ac.id/style/images/fileicons/other.png) |
PDF (Cover)
COVER-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Download (440kB) |
|
PDF (Legalitas)
LEGALITAS-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Restricted to Repository staff only Download (1MB) |
|
PDF (Abstrak)
ABSTRAK-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Download (705kB) |
|
PDF (BabI)
BAB-I-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Restricted to Repository staff only until 15 December 2026. Download (596kB) |
|
PDF (BabII)
BAB-II-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Restricted to Repository staff only until 15 December 2026. Download (1MB) |
|
PDF (BabIII)
BAB-III-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Restricted to Repository staff only until 15 December 2026. Download (727kB) |
|
PDF (BabIV)
BAB-IV-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Restricted to Repository staff only Download (1MB) |
|
PDF (BabV)
BAB-V-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Download (230kB) |
|
PDF (DaftarPustaka)
DAFTAR PUSTAKA-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Download (458kB) |
|
PDF (Lampiran)
LAMPIRAN-Bagja_Lazwardi-K1B019057-Skripsi-2024.pdf Restricted to Repository staff only Download (519kB) |
Abstract
Penelitian ini bertujuan untuk mengembangkan model komputer guna mengidentifikasi dan mengklasifikasikan tingkat keparahan Pectus Excavatum menggunakan Convolutional Neural Network (CNN) dengan arsitektur Inception V3. CNN efektif dalam mengenali pola gambar melalui lapisan yang mengestraksi fitur seperti tepi, tekstur, dan bentuk. Inception V3 dirancang untuk menagkap fitur pada berbagai skala, mengingkatkan akurasi dan efisiensi. Data penelitian terdiri dari 1.497 gambar CT-Scan pasien yang diperoleh dari RSUD Kota Tangerang dan radiopedhia.org. Gambar CT-Scan tersebut dikategorikan mmenjadi tiga kelas yaitu berat, ringan, dan normal. Gambar di proses untuk menghilangkan gangguan, menerapkan filter dan menyesuaikan ukuran menjadi 299 × 299 piksel sesuai kebutuhan Inception V3. Setelah pelatihan, model mencapai akurasi pelatihan 97% dengan loss 0,5812 dan akurasi validasi 84% dengan loss 0,931. Model ini diintegrasikan ke dalam website yang dapat diakses tenaga medis untuk membantu diagnosis. Penelitian ini menunjukkan bahwa CNN dengan Inception V3 efektif dalam klasifikasi Pectus Excavatum dan mendukung keputusan medis melalui sistem berbasis web.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Nomor Inventaris: | K25093 |
| Uncontrolled Keywords: | Pectus Excavatum, Convolutional Neural Network (CNN), Inception V3 |
| Subjects: | M > M130 Mathematical analysis |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > S1 Matematika |
| Depositing User: | Mr Bagja Lazwardi |
| Date Deposited: | 15 Dec 2025 01:55 |
| Last Modified: | 15 Dec 2025 01:55 |
| URI: | http://repository.unsoed.ac.id/id/eprint/38626 |
Actions (login required)
 |
View Item |