IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI LEMAK TUBUH PADA CITRA 2D LAKI - LAKI

Fauzan, Abdul Latif (2024) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI LEMAK TUBUH PADA CITRA 2D LAKI - LAKI. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (186kB)
	Text COVER.pdf Download (179kB)
	Text DAFTAR ISI.pdf Download (183kB)
	Text DAFTAR PUSTAKA.pdf Download (163kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (116kB)
	Text SKRIPSI FULL_ABDUL LATIF FAUZAN_123190068.pdf Restricted to Repository staff only Download (2MB)

Abstract

vii
ABSTRAK
Pengukuran persentase lemak tubuh merupakan salah satu metode untuk
mengevaluasi komposisi tubuh seseorang. Kelebihan lemak tubuh atau obesitas adalah
kondisi dimana terjadi penumpukan lemak yang berlebihan dalam tubuh sehingga berat badan
melebihi batas normal. Kelebihan lemak tubuh ini secara langsung berkontribusi terhadap
peningkatan risiko faktor-faktor kardiovaskular, termasuk dislipidemia, diabetes tipe 2,
hipertensi, dan gangguan tidur. Selain itu, obesitas juga memiliki hubungan dengan
perkembangan penyakit kardiovaskular dan tingkat kematian akibat penyakit kardiovaskular
secara mandiri, terpisah dari faktor-faktor kardiovaskular lainnya (Powell-Wiley et al.,
2021). Metode pengukuran persentase lemak tubuh yang lazim digunakan saat ini mencakup
bioelektrik impedansi (BIA), pengukuran lipatan kulit (skinfold thickness), dan pengukuran
densitas tubuh (underwater weighing). Terdapat satu pendekatan teknologi yang masih jarang
diadopsi untuk pengukuran persentase lemak tubuh, yakni teknologi deep learning.
Penggunaan teknologi deep learning seperti Convolutional Neural Network (CNN) telah
menunjukkan potensi yang besar dalam mengukur persentase lemak tubuh. Penggunaan CNN
yang dioptimasi menggunakan algoritma Adam(Adaptive Moment Estimation) telah
menunjukkan hasil yang positif dimana pada penelitian (Fadilah, 2023), menunjukkan bahwa
akurasi dapat mencapai hingga 99,87%, presisi 99%, dan recall 99%.
Penelitian ini menggunakan metode deep learning yakni CNN dengan mengubah
hyperparameter agar mendapatkan hasil yang maksimal. Kombinasi hyperparameter yaitu
banyaknya jumlah layer konvolusi sebanyak 3,4,5 dan 6, jumlah epoch 50,100,150 dan 200,
batch size dengan ukuran 32 dan 64, classification layer sebanyak 1 dan 2.
Hasil penelitian dengan mengubah berbagai hyperparameter pada arsitektur CNN
dapat mendapatkan hasil yang beragam. Pada penelitian ini didapatkan hasil akurasi dan
validasi terbaik pada hyperparameter pola ke 34 yaitu menggunakan 6 convolutional layer, 2
classification layer, 200 epoch dan 64 batch size dengan di optimasi menggunakan algoritma
adam. Penggunaan augmentasi adalah untuk memperbanyak dataset yang bertujuan untuk
menghindari overfitting. Model yang digunakan mendapatkan nilai akurasi sebesar 83.74%
dan nilai validasi sebesar 82.38%. Evaluasi model menggunakan confussion matrix yang
memperoleh hasil akurasi sebesar 90.57% presisi 90.90% dan recall 90.97%.
Kata kunci: Klasifikasi Lemak tubuh, Convolutional Neural Network, Lemak Tubuh,
Machine Learning.
viii
ABSTRACT
Measuring body fat percentage is one method for evaluating a person's body
composition. Excess body fat or obesity is a condition where there is excessive fat
accumulation in the body so that body weight exceeds the normal limit. This excess body fat
directly contributes to an increased risk of cardiovascular factors, including dyslipidemia,
type 2 diabetes, hypertension, and sleep disorders. In addition, obesity is also associated with
the development of cardiovascular disease and death rates from cardiovascular disease
independently, separately from other cardiovascular factors (Powell-Wiley et al., 2021).
Methods for measuring body fat percentage that are commonly used today include
bioelectrical impedance (BIA), skinfold thickness measurement, and body density
measurement (underwater weighing). There is one technological approach that is still rarely
adopted for measuring body fat percentage, namely deep learning technology. The use of
deep learning technology such as Convolutional Neural Network (CNN) has shown great
potential in measuring body fat percentage. The use of CNN optimized using the Adam
algorithm (Adaptive Moment Estimation) has shown positive results where research (Fadilah,
2023) shows that accuracy can reach up to 99.87%, precision 99%, and recall 99%.
This research uses a deep learning method, namely CNN, by changing
hyperparameters to get maximum results. The combination of hyperparameters is the number
of convolution layers of 3,4,5 and 6, the number of epochs of 50,100,150 and 200, batch size
of 32 and 64, classification layers of 1 and 2.
Research results by changing various hyperparameters in the CNN architecture can
get mixed results. In this research, the best accuracy and validation results were obtained for
the 34th pattern hyperparameter, namely using 6 convolutional layers, 2 classification layers,
200 epochs and 64 batch sizes with optimization using the Adam algorithm. The use of
augmentation is to increase the dataset with the aim of avoiding overfitting. The model used
obtained an accuracy value of 83.74% and a validation value of 82.38%. Model evaluation
used a confusion matrix which obtained accuracy results of 90.57%, precision 90.90% and
recall 90.97%.
Keywords: Body Fat Classification, Convolutional Neural Network, Body Fat, Machine
Learning.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Body Fat Classification, Convolutional Neural Network, Body Fat, Machine Learning.
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	05 Jun 2024 01:54
Last Modified:	05 Jun 2024 01:54
URI:	http://eprints.upnyk.ac.id/id/eprint/39619

Actions (login required)

View Item