KLASIFIKASI PENYAKIT JAUNDICE PADA BAYI BARU LAHIR MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN)

Fatma, Saidah (2025) KLASIFIKASI PENYAKIT JAUNDICE PADA BAYI BARU LAHIR MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN). Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (626kB)
	Text BAB 2.pdf Download (851kB)
	Text BAB 3.pdf Download (877kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (654kB)
	Text LAMPIRAN.pdf Download (1MB)

Abstract

Penyakit kuning pada bayi baru lahir sering kali sulit dideteksi secara dini, meskipun kondisi ini
umum terjadi. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan dua
arsitektur Convolutional Neural Networks (CNN), yaitu ResNet-50 dan MobileNet, dalam
mengklasifikasikan citra kulit bayi menjadi dua kategori: normal dan jaundice (penyakit kuning).
Dataset yang digunakan berjumlah 760 gambar yang dibagi menjadi data latih (80%) dan data
validasi (20%). Sebelum pelatihan, citra gambar diproses menggunakan teknik Contrast Limited
Adaptive Histogram Equalization (CLAHE) untuk meningkatkan kontras dan kestabilan warna
gambar. Kedua model CNN dilatih selama 20 epoch menggunakan optimizer Adam dengan learning
rate 0.001 dan loss function categorical cross-entropy. Hasil eksperimen menunjukkan bahwa model
MobileNet menghasilkan akurasi yang lebih tinggi, mencapai 99% pada epoch ke-20, dengan
penurunan loss yang signifikan, sementara model ResNet-50 hanya mencapai akurasi 65%.
Berdasarkan hasil ini, MobileNet terbukti lebih efisien dan lebih akurat dalam mendeteksi penyakit
kuning pada bayi, menjadikannya lebih cocok untuk diterapkan dalam aplikasi berbasis web untuk
deteksi otomatis penyakit kuning. Penelitian ini juga membuka peluang untuk pengujian model
dengan dataset yang lebih besar serta implementasi pada berbagai platform untuk meningkatkan
generalisasi dan akurasi model.

Item Type:	Thesis (Bachelor)
Subjects:	L Education > L Education (General) Q Science > QM Human anatomy
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika
Depositing User:	Users 30 not found.
Date Deposited:	01 Jul 2025 07:26
Last Modified:	01 Jul 2025 07:26
URI:	https://repository.unas.ac.id/id/eprint/13228

Actions (login required)

View Item