DEEP LEARNING UNTUK IDENTIFIKASI PENYAKIT TULANG BERBASIS CITRA X-RAY

• FAHRUL ROZI
• 14002624

---

ABSTRAK

 

ABSTRAK
Nama : Fahrul Rozi
NIM : 14002624
Program Studi : Ilmu Komputer
Fakultas : Teknologi Komputer
Jenjang : Strata Dua (S2)
Konsentrasi : Image Processing
Judul : Deep Learning untuk Identifikasi Penyakit Tulang Berbasis Citra
X-Ray
Identifikasi jenis penyakit tulang merupakan salah satu tahap awal yang
menentukan jenis pengobatan dan terapi yang diperlukan. Keberhasilan
mengidentifikasi pada tahap awal sakit akan sangat menunjang keberhasilan
pengobatan. Untuk membantu ketepatan identifikasi, kami mengusulkan metode
kecerdasan buatan berbasis deep learning. Pengembangan metoda telah kami
lakukan dengan menggunakan data image X-ray yang kami kumpulkan dari
beberapa rumah sakit di Kota Samarinda. Kami melakukan seleksi model dan
optimasi dengan menggunakan 5496 citra dengan 2 kelas. Eksperimen dilakukan
dengan menggunakan pre-trained model yakni VGG-16, Xception dan MobileNet.
Setelah melakukan Parameter Tuning diperoleh Metode terbaik yaitu MobileNet
dengan akurasi sebesar 96%, kappa score 0,92.
Kata kunci: CNN, komparasi, penyakit tulang, VGG16, Xception, MobileNet
 

KATA KUNCI

Deep Learning,Citra X-Ray

---

DAFTAR PUSTAKA

 

ABSTRAK
Nama : Fahrul Rozi
NIM : 14002624
Program Studi : Ilmu Komputer
Fakultas : Teknologi Komputer
Jenjang : Strata Dua (S2)
Konsentrasi : Image Processing
Judul : Deep Learning untuk Identifikasi Penyakit Tulang Berbasis Citra
X-Ray
Identifikasi jenis penyakit tulang merupakan salah satu tahap awal yang
menentukan jenis pengobatan dan terapi yang diperlukan. Keberhasilan
mengidentifikasi pada tahap awal sakit akan sangat menunjang keberhasilan
pengobatan. Untuk membantu ketepatan identifikasi, kami mengusulkan metode
kecerdasan buatan berbasis deep learning. Pengembangan metoda telah kami
lakukan dengan menggunakan data image X-ray yang kami kumpulkan dari
beberapa rumah sakit di Kota Samarinda. Kami melakukan seleksi model dan
optimasi dengan menggunakan 5496 citra dengan 2 kelas. Eksperimen dilakukan
dengan menggunakan pre-trained model yakni VGG-16, Xception dan MobileNet.
Setelah melakukan Parameter Tuning diperoleh Metode terbaik yaitu MobileNet
dengan akurasi sebesar 96%, kappa score 0,92.
Kata kunci: CNN, komparasi, penyakit tulang, VGG16, Xception, MobileNet