Klasifikasi Gambar X-Ray Pada Penyakit Tuberculosis Menggunakan Model ResNet12 dan Few-Shot Meta Learning - Submit Jurnal
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Sabran, Muhammad
Subject
QA75 Electronic computers. Computer science
Datestamp
2023-12-27 03:26:58
Abstract :
Tuberkulosis (TB) adalah penyakit paru-paru yang bersifat menular dan disebabkan oleh bakteri bernama Mycobacterium Tuberculosis. Proses diagnosa penyakit TB pada umumnya dilakukan secara konvensional melalui pengamatan langsung dari dokter terhadap hasil gambar x-ray dari paru-paru pasien. Peningkatan jumlah penderita penyakit TB tidak diimbangi dengan jumlah dokter spesialis paru-paru yang masih terbatas. Sebagai tambahan beban tugas dokter spesialis paru-paru di Indonesia yang semakin berat karena jumlah pasien yang banyak, dibuatlah model kecerdasan buatan untuk melakukan klasifikasi gambar x-ray dari paru-paru pasien, apakah mengalami TB atau masih dalam keadaan sehat atau normal. Salah satu tantangan terbesarnya adalah ketersediaan dataset gambar x-ray TB yang masih terbatas karena termasuk dalam ranah privasi pasien. Berdasarkan permasalahan sebelumnya, penelitian ini menggunakan pendekatan metode few-shot learning (FSL) yang sesuai untuk mengatasi keterbatasan dataset. Few-shot learning diaplikasikan sebagai model kecerdasan buatan yang mampu mengklasifikasikan hasil gambar x-ray pasien ke dalam dua kelas, yaitu paru-paru normal dan paru-paru yang positif terkena Tuberkulosis. Penelitian ini akan berfokus pada pembuatan model few-shot learning dan membandingkan hasil evaluasi model FSL dengan model-model yang dibuat menggunakan metode CNN konvensional. Proses evaluasi model menggunakan matriks evaluasi berupa accuracy, precision, recall, dan f1-score. Hasil evaluasi seluruh model menggunakan data test menunjukkan model FSL 5-shot memiliki nilai matriks evaluasi yang paling tinggi dibandingkan dengan model-model lainnya yakni dengan nilai accuracy sebesar 0.984000, recall sebesar 0.995902, precision sebesar 0.972000, dan f1-score sebesar 0.983806.
Tuberkulosis (TB) adalah penyakit paru-paru yang bersifat menular dan disebabkan oleh bakteri bernama Mycobacterium Tuberculosis. Proses diagnosa penyakit TB pada umumnya dilakukan secara konvensional melalui pengamatan langsung dari dokter terhadap hasil gambar x-ray dari paru-paru pasien. Peningkatan jumlah penderita penyakit TB tidak diimbangi dengan jumlah dokter spesialis paru-paru yang masih terbatas. Sebagai tambahan beban tugas dokter spesialis paru-paru di Indonesia yang semakin berat karena jumlah pasien yang banyak, dibuatlah model kecerdasan buatan untuk melakukan klasifikasi gambar x-ray dari paru-paru pasien, apakah mengalami TB atau masih dalam keadaan sehat atau normal. Salah satu tantangan terbesarnya adalah ketersediaan dataset gambar x-ray TB yang masih terbatas karena termasuk dalam ranah privasi pasien. Berdasarkan permasalahan sebelumnya, penelitian ini menggunakan pendekatan metode few-shot learning (FSL) yang sesuai untuk mengatasi keterbatasan dataset. Few-shot learning diaplikasikan sebagai model kecerdasan buatan yang mampu mengklasifikasikan hasil gambar x-ray pasien ke dalam dua kelas, yaitu paru-paru normal dan paru-paru yang positif terkena Tuberkulosis. Penelitian ini akan berfokus pada pembuatan model few-shot learning dan membandingkan hasil evaluasi model FSL dengan model-model yang dibuat menggunakan metode CNN konvensional. Proses evaluasi model menggunakan matriks evaluasi berupa accuracy, precision, recall, dan f1-score. Hasil evaluasi seluruh model menggunakan data test menunjukkan model FSL 5-shot memiliki nilai matriks evaluasi yang paling tinggi dibandingkan dengan model-model lainnya yakni dengan nilai accuracy sebesar 0.984000, recall sebesar 0.995902, precision sebesar 0.972000, dan f1-score sebesar 0.983806.
File :
11201066_cover.pdf
11201066_statement_of_audacity.pdf
11201066_notations.pdf
11201066_chapter_1.pdf
11201066_chapter_3.pdf
11201066_conclusions.pdf
11201066_bibliography.pdf
11201066_enclosure.pdf
11201066_paper.pdf
11201066_presentation.pdf
11201066_Form. TA-020.pdf
11201066_publishing_agreement.pdf
11201066_approval_sheet.pdf
11201066_preface.pdf
11201066_abstract_id.pdf
11201066_abstract_en.pdf
11201066_table_of_content.pdf
11201066_illustrations.pdf
11201066_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
