Deteksi down syndrome pada anak berdasarkan ciri wajah menggunakan metode convolutional neural network (Cnn) model mobilenetv2

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Abidin, Mohammad Rizal (2024) Deteksi down syndrome pada anak berdasarkan ciri wajah menggunakan metode convolutional neural network (Cnn) model mobilenetv2. Undergraduate thesis, UIN Sunan Ampel Surabaya.

[img] Text
Mohammad Rizal Abidin_09040220059 OK.pdf

Download (1MB)
[img] Text
Mohammad Rizal Abidin_09040220059 Full.pdf
Restricted to Repository staff only until 30 January 2027.

Download (2MB)

Abstract

Down syndrome merupakan penyakit genetik yang mengakibatkan penderitanya memiliki ciri fisik yang khas pada bagian wajah seperti mata sipit, hidung datar, dan mulut kecil. Down syndrome pada anak dapat di diagnosis berdasarkan ciri wajah. Penelitian ini, bertujuan untuk mengetahui hasil akurasi deteksi down syndrome pada anak berdasarkan ciri wajah menggunakan metode convolutional neural network (CNN) model MobileNetV2 jika dibandingkan dengan model CNN yang lain dan mengetahui bagaimana pengaruh hyperparameter uji coba pada hasil akurasi model yang didapatkan. Pada penelitian yang dilakukan oleh peneliti sebelumnya deteksi down syndrome sudah dilakukan menggunakan model CNN yang lain seperti Alexnet, ResNet-50, dan VGG16 dengan hasil akurasi 73,50%, 77,31%, dan 87,41%. Pada penelitian ini dengan data yang sama didapatkan hasil akurasi 94,56%, nilai sensitivitas sebesar 93,93% dan nilai spesifisitas sebesar 94,28% dengan hyperparameter batch size sebesar 4, probabilitas dropout sebesar 0,2 dan nilai learning rate sebesar 0,00001. Berdasarkan hasil tersebut CNN model MobileNetV2 lebih unggul jika dibandingkan dengan model CNN yang lain. Pengaruh hyperpaarmeter pada penelitian ini jika nilai batch size semakin kecil maka hasil akurasi yang didapatkan lebih bagus tetapi waktu komputasi yang dibutuhkan semakin lama, probabilitas dropout yang semakin kecil maka akurasi yang didapatkan lebih bagus, dan nilai learning rate yang lebih kecil maka akurasi yang didapatkan lebih bagus dan waktu komputasi yang dibutuhkan lebih lama.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type: Thesis (Undergraduate)
Creators:
CreatorsEmailNIM
Abidin, Mohammad Rizalmrizalabidinn@gmail.com09040220059
Contributors:
ContributionNameEmailNIDN
Thesis advisorNovitasari, Dian Candra Rinidiancrini@uinsby.ac.id2024118502
Thesis advisorAsyhar, Ahmad Hanifhanif@uinsby.ac.id--
Subjects: Kesehatan
Kesehatan

Komputer
Matematika
Keywords: Down syndrome; Deep learning; CNN; MobileNetV2
Divisions: Fakultas Sains dan Teknologi > Studi Matematika
Depositing User: Adelia Damayanti
Date Deposited: 30 Jan 2024 01:35
Last Modified: 30 Jan 2024 01:35
URI: http://digilib.uinsa.ac.id/id/eprint/67895

Actions (login required)

View Item View Item