PENGEMBANGAN APLIKASI DIAGNOSIS PENYAKIT PARU-PARU BERBASIS CITRA CT-SCAN MENGGUNAKAN ALGORITMA DEEP LEARNING

Mochamad Aldi Sidik Maulana, - (2024) PENGEMBANGAN APLIKASI DIAGNOSIS PENYAKIT PARU-PARU BERBASIS CITRA CT-SCAN MENGGUNAKAN ALGORITMA DEEP LEARNING. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_TEKOM_2004670_Title.pdf Download (681kB)
	Text S_TEKOM_2004670_Chapter1.pdf Download (130kB)
	Text S_TEKOM_2004670_Chapter2.pdf Restricted to Staf Perpustakaan Download (191kB)
	Text S_TEKOM_2004670_Chapter3.pdf Download (184kB)
	Text S_TEKOM_2004670_Chapter4.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_TEKOM_2004670_Chapter5.pdf Download (104kB)
	Text S_TEKOM_2004670_Appendix.pdf Restricted to Staf Perpustakaan Download (883kB)

Abstract

Penyakit paru-paru seperti Tuberkulosis, Covid-19, dan kanker paru-paru menyebabkan dampak signifikan terhadap kesehatan global, sehingga memerlukan metode diagnostik yang cepat dan akurat. Namun, pemeriksaan manual citra CT-Scan sering kali memakan waktu dan rentan terhadap kesalahan. Penelitian ini mengembangkan aplikasi diagnosis otomatis penyakit paru-paru menggunakan citra CT-Scan dengan penerapan algoritma EfficientNet-B0, salah satu model Convolutional Neural Network (CNN) yang efisien untuk mengklasifikasikan pola citra. Tujuan utama penelitian ini adalah untuk mengimplementasikan dan mengevaluasi kinerja sistem dalam mengidentifikasi dan mengklasifikasikan penyakit paru-paru berdasarkan citra CT-Scan serta mengintegrasikan model ke dalam sebuah aplikasi berbasis web. Metodologi penelitian melibatkan pengumpulan data citra CT-Scan dari sumber publik yang kemudian diproses dengan teknik augmentasi data untuk meningkatkan variasi data pelatihan. Model ini dilatih, divalidasi, dan diuji menggunakan metrik kinerja seperti akurasi, precision, recall, dan f1-score untuk menilai efektivitasnya, dengan mencapai akurasi tinggi sebesar 99.37%, dan rata-rata di 99% untuk precision, recall, dan f1-score. Model tersebut kemudian diintegrasikan ke dalam sistem web yang memungkinkan pengguna mengunggah citra dan mendapatkan hasil diagnosis secara cepat. Hasil penelitian menunjukkan bahwa model EfficientNet-B0 mencapai tingkat keberhasilan yang sangat tinggi dalam klasifikasi delapan tipe penyakit paru-paru. Kesimpulan dari penelitian ini menegaskan bahwa penggunaan model EfficientNet-B0 dalam aplikasi diagnosis penyakit paru-paru menawarkan potensi besar dalam meningkatkan kecepatan dan akurasi diagnosis penyakit paru-paru. Penelitian lebih lanjut disarankan untuk menguji model dengan dataset yang lebih beragam untuk meningkatkan generalisasi model dan untuk mengeksplorasi kombinasi dengan algoritma deep learning lain guna meningkatkan efisiensi dan efektivitas sistem. ---------- Lung diseases such as Tuberculosis, Covid-19, and lung cancer cause a significant impact on global health, requiring fast and accurate diagnostic methods. However, manual examination of CT-Scan images is often time-consuming and prone to errors. This research develops an application for automatic diagnosis of lung diseases using CT-Scan images by applying the EfficientNet-B0 algorithm, one of the efficient Convolutional Neural Network (CNN) models for classifying image patterns. The main objective of this research is to implement and evaluate the system's performance in identifying and classifying lung diseases based on CT-Scan images as well as integrating the model into a web-based application. The research methodology involved collecting CT-Scan image data from public sources which were then processed with data augmentation techniques to increase the variety of training data. The model was trained, validated, and tested using performance metrics such as accuracy, precision, recall, and f1-score to assess its effectiveness, achieving a high accuracy of 99.37%, and averaging at 99% for precision, recall, and f1-score. The model was then integrated into a web system that allows users to upload images and obtain diagnosis results quickly. The results showed that the EfficientNet-B0 model achieved a very high success rate in the classification of eight types of lung diseases. The conclusion of this study confirms that the use of the EfficientNet-B0 model in lung disease diagnosis applications offers great potential in improving the speed and accuracy of lung disease diagnosis. Further research is recommended to test the model with more diverse datasets to improve the generalizability of the model and to explore the combination with other deep learning algorithms to improve the efficiency and effectiveness of the system.

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?view_op=list_works&hl=en&user=jJdTWpUAAAAJ ID SINTA Dosen Pembimbing: Muhammad Taufik Dwi Putra: 6745726 Wirmanto Suteddy: 6745736
Uncontrolled Keywords:	Penyakit paru-paru, CT-Scan, Convolutional Neural Network, Deep Learning, EfficientNet-B0, Aplikasi Web, Lung disease, CT-Scan, Convolutional Neural Network, Deep Learning, EfficientNet-B0, Web Application
Subjects:	L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Teknik Komputer
Depositing User:	Mochamad Aldi Sidik Maulana
Date Deposited:	11 Sep 2024 08:26
Last Modified:	11 Sep 2024 08:26
URI:	http://repository.upi.edu/id/eprint/122576

Actions (login required)

View Item