Klasifikasi penyakit Tuberkulosis berdasarkan citra x-ray menggunakan metode Elman Recurrent Neural Network

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Jumhuriyah, Laily (2021) Klasifikasi penyakit Tuberkulosis berdasarkan citra x-ray menggunakan metode Elman Recurrent Neural Network. Undergraduate thesis, UIN Sunan Ampel Surabaya.

[img] Text
Laily Jumhuriyah_H72217052.pdf

Download (5MB)

Abstract

Tuberkulosis merupakan penyakit yang dapat menular melalui udara yang memiliki tingkat kematian tertinggi di dunia. World Health Organization menyatakan bahwa pada tahun 2019 Indonesia termasuk dalam urutan ketiga besar dengan jumlah kasus penderita tuberkulosis terbanyak. Hal ini terjadi karena kurangnya kesadaran masyarakat mengenai penanganan dan pengetahuan tentang penyakit tuberkulosis. Salah satu pemeriksaan terhadap penyakit tuberkulosis yaitu dengan chest x-ray. Pada penelitian ini akan dilakukan klasifikasi penyakit tuberkulosisi berdasarkan chest x-ray dengan menggunakan Elman RNN untuk mengetahui seseorang normal atau terdeteksi tuberkulosis. Model terbaik dari hasil klasifikasi terletak pada sudut orientasi 45 dengan node hidden layer 20 dan 50 pada learning rate 0.5 diperoleh accuracy sebesar 95.4773%, sensitivity sebesar 97.9591%, specificity sebesar 97.9591%.

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
Jumhuriyah, Lailyh72217052@uinsby.ac.idH72217052
Contributors:
ContributionNameEmailNIDN
Thesis advisorNovitasari, Dian Candra Rinidiancrini@uinsby.ac.id2024118502
Thesis advisorHakim, Lutfilutfihakimbungah@gmail.com197312252006041001
Subjects: Matematika
Keywords: Tuberkulosis; Chest X-ray; Elman RNN
Divisions: Fakultas Sains dan Teknologi > Studi Matematika
Depositing User: Laily Jumhuriyah
Date Deposited: 04 Mar 2021 07:44
Last Modified: 04 Mar 2021 07:44
URI: http://digilib.uinsa.ac.id/id/eprint/46784

Actions (login required)

View Item View Item