PENERAPAN METODE TRANSFER LEARNING PADA KLASIFIKASI ANEMIA MENGGUNAKAN CNN MOBILENETV2 BERDASARKAN CITRA TELAPAK TANGAN

Resti Ramadhani, Resti (2026) PENERAPAN METODE TRANSFER LEARNING PADA KLASIFIKASI ANEMIA MENGGUNAKAN CNN MOBILENETV2 BERDASARKAN CITRA TELAPAK TANGAN. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220147.pdf Download (191kB)
	Text Abstrak_123220147.pdf Download (228kB)
	Text Halaman Pengesahan_123220147.pdf Download (331kB)
	Text Daftar Isi_123220147.pdf Download (213kB)
	Text Daftar Pustaka_123220147.pdf Download (202kB)
	Text Fulltext_123220147.pdf Restricted to Repository staff only Download (2MB)

Abstract

atian utama, khususnya pada kelompok rentan seperti anak-anak, ibu hamil, dan wanita usia produktif. Diagnosis anemia umumnya dilakukan melalui pemeriksaan darah di laboratorium menggunakan metode Complete Blood Count (CBC) yang bersifat invasif, membutuhkan biaya, waktu, serta fasilitas medis yang memadai. Kondisi ini menjadi kendala terutama di daerah dengan keterbatasan akses layanan kesehatan. Oleh karena itu, diperlukan pendekatan alternatif yang bersifat non-invasif, efisien, dan mudah diimplementasikan. Perkembangan teknologi Artificial Intelligence dan Computer Vision membuka peluang untuk mengembangkan sistem deteksi anemia berbasis citra, salah satunya melalui citra telapak tangan yang secara klinis dapat menunjukkan gejala kepucatan akibat rendahnya kadar hemoglobin.
Penelitian ini bertujuan untuk mengembangkan model klasifikasi anemia berbasis citra telapak tangan menggunakan pendekatan deep learning dengan arsitektur Convolutional Neural Network (CNN) MobileNetV2 melalui metode transfer learning. Dataset yang digunakan berupa citra telapak tangan yang diklasifikasikan ke dalam dua kelas, yaitu anemia dan non-anemia. Tahapan penelitian meliputi pra-pemrosesan data berupa resizing citra menjadi ukuran 224×224 piksel dan normalisasi nilai piksel ke dalam rentang [-1,1]. Model MobileNetV2 digunakan sebagai base model dengan bobot pralatih dari ImageNet, kemudian dilakukan modifikasi pada lapisan akhir serta penerapan fine-tuning dengan membuka beberapa layer untuk menyesuaikan karakteristik dataset. Proses pelatihan dilakukan dengan menguji beberapa kombinasi hyperparameter untuk menentukan konfigurasi model terbaik, meliputi optimizer, jumlah epoch, dan jumlah layer yang di-unfreeze. Evaluasi model dilakukan menggunakan matrik akurasi, presisi, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh menggunakan optimizer RMSprop dengan 40 epoch pada fase pertama, 20 epoch pada fase kedua, serta 30 layer yang di-unfreeze. Model tersebut menghasilkan akurasi sebesar 0,9484, presisi 0,9351, recall 0,9351, dan F1-score 0,9351. Hasil ini menunjukkan bahwa model mampu melakukan klasifikasi secara optimal dengan keseimbangan yang baik antara presisi dan recall, serta tidak menunjukkan bias yang signifikan terhadap salah satu kelas. Dengan demikian, model yang dihasilkan memiliki potensi untuk dikembangkan sebagai sistem deteksi anemia non-invasif yang efisien dan praktis, terutama pada wilayah dengan keterbatasan fasilitas kesehatan.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	RESTI RAMADHANI (Penulis - 123220147) ; Dessyanto Boedi Prasetyo (Pembimbing)
Uncontrolled Keywords:	anemia, citra telapak tangan, MobileNetV2, transfer learning, CNN
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	18 May 2026 03:46
Last Modified:	18 May 2026 03:46
URI:	http://eprints.upnyk.ac.id/id/eprint/48363

Actions (login required)

View Item