IMPLEMENTASI TRANSFER LEARNING DENGAN METODE CONVOLUTIONAL NEURAL NETWORK VGG-16 DALAM MENDETEKSI AUTISME PADA CITRA MAGNETIC RESONANCE IMAGING OTAK

Setiawati, Dewi Zunuvi (2023) IMPLEMENTASI TRANSFER LEARNING DENGAN METODE CONVOLUTIONAL NEURAL NETWORK VGG-16 DALAM MENDETEKSI AUTISME PADA CITRA MAGNETIC RESONANCE IMAGING OTAK. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (93kB)
	Text COVER.pdf Download (177kB)
	Text DAFTAR ISI.pdf Download (77kB)
	Text DAFTAR PUSTAKA.pdf Download (107kB)
	Text Lembar Pengesahan Pembimbing.pdf Download (127kB)
	Text Lembar Pengesahan Penguji.pdf Download (145kB)
	Text Skripsi Dewi Zunuvi Setiawati.pdf Restricted to Repository staff only Download (1MB)

Abstract

Autisme merupakan gangguan neurologis pada otak manusia yang menjadi tantangan
tersendiri bagi dunia, termasuk Indonesia. Di Indonesia sendiri kesadaran akan autisme yang
masih rendah mengakibatkan jumlah penderita autisme semakin meningkat. Sementara itu,
dengan dilakukannya deteksi dini yang saat ini terbukti efektif yaitu metode scan fungsional
Magnetic Resonance Imaging (fMRI) dapat meningkat pula peluang kesembuhannya.
Namun, pemutusan diagnosis atau pembacaan dari citra scan ini membutuhkan waktu yang
lama sehingga diperlukannya otomatisasi berupa penggunaan machine learning, khususnya
CNN (Convolutional Neural Network). Arsitektur dari metode CNN yang saat ini populer
dengan kemampuannya dalam melakukan ekstraksi fitur pada citra medis adalah VGG-16.
Kemahiran dari arsitektur ini semakin meningkat dengan pendekatan transfer learning yang
sebelumnya sudah dilatih dengan data ImageNet. Oleh karena itu, pada penelitian ini
dilakukan implementasi dari metode CNN dengan arsitektur transfer learning VGG-16
untuk melakukan deteksi penderita autisme ditilik dari citra MRI autisme ABIDE II yang
telah dilakukan preprocessing khusus untuk scan type EPI (Echo-Planar Imaging).
Pengujian model dilakukan dengan enam jenis skema penelitian yang terdiri dari tiga
pendekatan yaitu transfer learning fine tuning, transfer learning freezing layer, dan non�pretrained. Ketiga pendekatan ini melewati dua pengujian learning rate sebesar 1e-4 dan
1e-5. Hasil pengujian didapatkan akurasi tertinggi mencapai yaitu sebesar 74% dengan detail
pengujian transfer learning VGG-16 fine tuning menggunakan learning rate sebesar 1e-4.
Kata kunci: citra MRI, autisme, transfer learning, ABIDE II.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	citra MRI, autisme, transfer learning, ABIDE II.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	15 Dec 2023 07:29
Last Modified:	15 Dec 2023 07:29
URI:	http://eprints.upnyk.ac.id/id/eprint/38360

Actions (login required)

View Item