Skripsi

Klasifikasi Tingkat Keparahan Fatty Liver pada Citra Ultrasonografi Menggunakan Deep Convolutional Neural Networks dengan Model ResNet-50

---

Latar Belakang. Saat ini deep convolutional neural networks telah berkembang dengan memiliki potensi untuk menjelaskan dan merampingkan beberapa kesenjangan pengetahuan di lapangan khususnya dalam penentuan tingkat keparahan penyakit (severity) seperti pada penyakit fatty liver pada citra ultrasonografi (USG). Standar emas diagnosis menggunakan biopsi hati pada fatty liver relatif invasif dan hal tersebut dapat ditindaklanjuti dengan alternatif diagnosis menggunakan modalitas diagnotik USG yang digabungkan dengan kelayakan deep convolutional neural networks untuk menurunkan margin kesalahan, dan meningkatkan standar akurasi hasil pencitraan USG.

Tujuan Penelitian ini adalah mengklasifikasikan tingkat keparahan fatty liver menggunakan aplikasi deep convolutional neural networks dengan model ResNet-50 dan menganalisis tingkat akurasi yang dihasilkan.

Desain Penelitian ini adalah kuantitatif dengan pendekatan deskriptif dan data diolah dengan tahapan pelatihan data (training) dan pengujian data (testing) lalu analisis akurasi. Penelitian ini dilakukan di RS Hermina Depok dengan populasi diambil dari seluruh hasil pemeriksaan USG abdomen dengan hasil ekspertise fatty liver selama 3 bulan dengan jumlah sampel sebanyak 102 sampel.

Hasil dari Penelitian ini menunjukkan aplikasi dapat mengklasifikasikan tingkat keparahan fatty liver dengan tingkat akurasi sebesar 65% menggunakan deep convolutional neural networks dengan model ResNet-50 pada Epoch 12.


Kata kunci : Fatty Liver, Deep Convolutional Neural Networks, ResNet-50.

---

Ketersediaan

Informasi Detail

Judul Seri

-

No. Panggil

001.43 TRO-D4-2023 Cha k

Penerbit

Jakarta : Jurusan Teknik Radiodiagnostik dan Radioterapi., 2023

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

001.43

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

2023

Subjek

Fatty liver
ResNet-50
Deep Convolutional Neural Networks

Info Detail Spesifik

Gando Sari(P1);Heri Kuswoyo(P2);Sriyatun(P3);Wahyu Hidayat(P4);D4-TRO-2023: P21130219020

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar