KLASIFIKASI SUARA BATUK COVID-19 DAN NON COVID- 19 MENGUNAKAN DEEP LEARNING DENGAN METODE CONVOLUTIONAL NEURAL NETWORK

UPT. PERPUSTAKAAN Universitas Esa Unggul Kampus Emas UEU - Jakarta Barat
Phone	:	021-5674223, ext 282
Fax	:
E-mail	:	[email protected]
Website	:	http://library.esaunggul.ac.id
Support (Customer Service) :
[email protected]

Welcome..guys!

Have a problem with your access?
Please, contact our technical support below:

LIVE SUPPORT

Astrid Chrisafi

! ATTENTION !

To facilitate the activation process, please fill out the member application form correctly and completely

Registration activation of our members will process up to max 24 hours (confirm by email). Please wait patiently

Still Confuse?
Please read our User Guide

UEU » Undergraduate Theses » Teknik Informatika
Posted by [email protected] at 07/03/2023 11:15:33 • 895 Views

KLASIFIKASI SUARA BATUK COVID-19 DAN NON COVID- 19 MENGUNAKAN DEEP LEARNING DENGAN METODE CONVOLUTIONAL NEURAL NETWORK

Created by :
ADITYA LINGGA SAPUTRA ( 20170801010 )

Subject:	KLASIFIKASI COVID-19 CONVOLUTIONAL NEURAL NETWORK
Alt. Subject :	CLASSIFICATION COVID-19 CONVOLUTIONAL NEURAL NETWORK
Keyword:	Klasifikasi Covid-19 Convolutional Neural Network Jaringan Syaraf Tiruan

Description:

Wabah misterius pertama kali dilaporkan di Wuhan, provinsi Hubei. 31 Desember 2019 hingga 3 Januari 2020 kasus ini meningkat pesat, ditandai dengan dilaporkannya sebanyak 44 kasus. Pada 12 Maret 2020, WHO mengumumkan Covid-19 sebagai pandemik. Virus Covid-19 dapat ditularkan dari manusia ke manusia dan telah menyebar ke berbagai negara termasuk negara Indonesia. Terdapat gejala gejala umun yang dirasakan oleh seseorang yang terinfeksi Covid- 19 seperti. Adapun gejala ringan yang dialami seperti sesak nafas, batuk, dan bersin. Dari gejala yang ada menginspirai penulis untuk melakukan pencegahan dini agar terhindar dari Covid-19 dengan melakukan klasifikasi terhadap suara batuk. Pengklasifikasian dibangun dengan model jaringan syaraf tiruan yaitu Convolutional Neural Network. Data yang digunakan didapat dari situs website Kaggle dan Zenodo. Pengujian dilakukan guna untuk membandingkan 2 model aritektur yaitu MobileNetV2 dan VGG19 untuk mendapatkan nilai yang terbaik. Pengujian model dilakukan terhadap beberapa parameter yaitu epoch, learning rate, dan ratio . Nilai akurasi terbaik didapat pada model arsitektur MobileNetV2 dengan nilai akurasi 96% pada epoch 90, learning rate 0.001, dan ratio 90:10. Untuk VGG19 didapat hasil akurasi 95% pada epoch 80, learning rate 0.001, dan ratio 80:20. Hal ini menunjukkan bahwa model arsitektur MobileNetV2 memiliki kinerja yang lebih baik ketimbang VGG19 dalam mengklasifikasikan suara batuk covid-19 dan non covid-19.

Contributor	:	Habibullah Akbar, S.Si., M.Sc., Ph. D
Date Create	:	07/03/2023
Type	:	Text
Format	:	PDF
Language	:	Indonesian
Identifier	:	UEU-Undergraduate-20170801010
Collection ID	:	20170801010

Source :
Undergraduate Theses of Computer Science

Relation Collection:
Fakultas Ilmu Komputer

Coverage :
Civitas Akademika Universitas Esa Unggul

Rights :
@2023 Perpustakaan Universitas Esa Unggul

Publication URL :
https://digilib.esaunggul.ac.id/klasifikasi-suara-batuk-covid19-dan-non-covid-19-mengunakan-deep-learning-dengan-metode-convolutional-neural-network-28531.html

[ Free Download - Free for All ]