Implementasi Siamese Convolutional Neural Network pada Citra Sel untuk Identifikasi Penyakit Malaria
| Main Author: | Devani, Devi |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/13810/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/13810/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/13810/3/BAB_I.pdf http://kc.umn.ac.id/13810/4/BAB_II.pdf http://kc.umn.ac.id/13810/5/BAB_III.pdf http://kc.umn.ac.id/13810/6/BAB_IV.pdf http://kc.umn.ac.id/13810/7/BAB_V.pdf http://kc.umn.ac.id/13810/8/LAMPIRAN.pdf http://kc.umn.ac.id/13810/ |
Daftar Isi:
- Siamese convolutional neural network adalah suatu arsitektur yang menggunakan dua buah convolutional neural network dengan bobot dan parameter yang sama pada tiap layer. Data masukkan dari arsitektur siamese convolutional neural network adalah 2 buah citra yang berpasangan, dimana citra pertama merupakan citra pembanding dan yang kedua merupakan citra yang ingin di tes atau di prediksi dan akan menghasilkan similarity score berupa angka 0-1. Salah satu keunggulan siamese convolutional neural network adalah dapat menggunakan jumlah data yang lebih sedikit untuk menghasilkan akurasi yang baik dibandingkan convolutional neural network. Tujuan dalam penelitian ini ialah untuk mengimplementasikan siamese convolutional neural network untuk mengidentifikasi penyakit malaria menggunakan citra sel. Data yang digunakan terdiri dari dua kelas yaitu parasitized dan uninfected. Penyakit malaria dipilih karena merupakan salah satu penyakit yang berbahaya dan kurangnya ketersediaan sumber daya. Oleh karena itu, dibuat neural network model untuk mengidentifikasi penyakit malaria untuk membantu para ahli. Bedasarkan uji coba yang telah dilakukan, arsitektur siamese convolutional neural network yang digunakan terdiri dari pre-trained model VGG16 dari Keras dan fully connected layer. Hyperparameter dan parameter yang digunakan fixed dan tidak semua hyperparameter digunakan. Pengujian dilakukan dengan cara mengubah jumlah citra pembanding dan jumlah citra yang digunakan untuk proses training. Hasil akurasi terbaik yang didapatkan dengan menggunakan model siamese convolutional neural network adalah sebesar 94.35%.