OPTIMASI PARAMETER PADA SUPPORT VECTOR MACHINE MENGGUNAKAN ALGORITMA GENETIKA UNTUK KLASIFIKASI COVID-19 PADA CITRA X-RAY PARU – PARU

MUH.ANDIKA PUTRA (2023) OPTIMASI PARAMETER PADA SUPPORT VECTOR MACHINE MENGGUNAKAN ALGORITMA GENETIKA UNTUK KLASIFIKASI COVID-19 PADA CITRA X-RAY PARU – PARU. Undergraduate Theses thesis, Universitas Tadulako.

Full text not available from this repository.

Abstract

COVID-19 merupakan jenis virus corona yang ditemukan pada akhir tahun 2019, pengidap virus COVID-19 dapat mengalami gangguan pernapasan hinggah kematian, pada bulan September 2020 tercatat berjumlah 26,331,492 kasus COVID-19 yang telah dikonfirmasi dan terus meningkat setiap harinya, fasilitas medis tidak dapat mengimbangi perkembangan virus COVID-19 yang tinggi, sehingga dibutuhkan metode yang efisien, ekonomis dan akurasi yang tinggi untuk mengklasifikasi penyakit COVID-19. Model yang diusulkan menggunakan arsitektur convolutional neural network (CNN) yang dapat menemukan fitur-fitur dari citra x ray paru-paru melalui lapisan konvolusi mendalam dengan pendekatan transfer learning. Keluaran fitur dari CNN digunakan sebagai masukkan fitur pada algortima klasifikasi support vector machine (SVM). Hyperparameters pada SVM dioptimasi menggunakan algortima genetika untuk mencari parameter yang optimal. Beberapa eksperimen dilakukan untuk menghasilkan akurasi yang tinggi dengan menggunakan kernel RBF, Polynominal, dan sigmoid untuk menentukan kernel terbaik yang digunakan dan arsitektur CNN resnet-50,inceptionv3, dan squeezenet untuk mencari arsitektur terbaik dalam mengekstrasi fitur. Berdasarkan eksperimen pada percobaan pertama menggunakan k-fold cross validation dengan nilai k=5, peningkatan akurasi tertinggi diperoleh sebesar 54.60?ngan menggunakan arsitektur inception-v3 dan kernel polynominal, kemudian akurasi tertinggi diperoleh dengan menggunakan arsitektur resnet-50 dan kernel polynominal sebesar 97.50%, kemudian percobaan kedua, dataset terbagi menjadi dua bagian yaitu 80?ta training dan 20?ta testing sehingga diperoleh hasil performa akurasi, sensitivitas, spesifisitas, F1-score, dan AUC sebesar 98.20%, 98.20%, 99.00%, 98.20?n 0.986 dengan menggunakan arsitektur resnet-50 dan kernel rbf. Maka dapat disimpulkan bahwa algortima genetika terbukti dapat meningkatkan akurasi model SVM, sehingga model yang dikembangkan dapat digunakan untuk membantu para ahli medis dalam proses pengambilan keputusan. Kata kunci: Support Vector Machine, Algortima Genetika, Optimasi Parameter, Convolutional Neural Network, Covid-19.

Item Type: Thesis (Undergraduate Theses)
Subjects: University Structure > Faculty of Engineering > Informatics Engineering
S1 - Undergraduate Thesis > Faculty of Engineering > Informatics Engineering
Divisions: Faculty of Engineering > Informatics Engineering
Tadulako Subject Areas > S1 - Undergraduate Thesis > Faculty of Engineering > Informatics Engineering
Depositing User: system estd estd
Date Deposited: 01 Feb 2023 07:03
Last Modified: 01 Feb 2023 06:35
URI: http://repository.untad.ac.id/id/eprint/11290

Actions (login required)

View Item View Item