Mirayanti, Ni Komang Rai (2024) ANALISIS PENGARUH BATCH SIZE DAN LEARNING RATE TERHADAP KINERJA MODEL KLASIFIKASI CNN MENGGUNAKAN DATASET CITRA CT-CHEST COVID-19. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
1829101042-COVER.pdf Download (276kB) |
|
Text (ABSTRAK)
1829101042-ABSTRAK.pdf Download (31kB) |
|
Text (BAB 1 PENDAHULUAN)
1829101042-BAB 1 PENDAHULUAN.pdf Download (105kB) |
|
Text (BAB 2 KAJIAN TEORI)
1829101042-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (679kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
1829101042-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (541kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
1829101042-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (858kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1829101042-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (21kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1829101042-DAFTAR PUSTAKA.pdf Download (100kB) |
|
Text (LAMPIRAN)
1829101042-LAMPIRAN.pdf Download (83kB) |
Abstract
ABSTRAK Rai Mirayanti, Ni Komang (2022), Analisis pengaruh batch size dan learning rate terhadap kinerja model cnn dalam klasifikasi dataset citra ct-chest covid-19. Tesis, Ilmu Komputer, Program Pascasarjana, Universitas Pendidikan Ganesha. Tesis ini sudah disetujui dan diperiksa oleh Pembimbing I: Prof. Dr. Sariyasa, M.Sc., Ph.D dan Pembimbing II: Dr. I Gede Aris Gunadi, S.Si., M.Kom. Kata-kata kunci : COVID-19, CNN, batch size, learning rate. Metode Convolutional Neural Network (CNN) merupakan salah satu teknik deep learning yang banyak digunakan untuk klasifikasi dataset citra CT-Chest COVID�19 dan non-COVID. Namun untuk membangun model klasifikasi CNN dengan kinerja yang baik, beberapa hyperparameter perlu disesuaikan. Hyperparameter merupakan parameter yang nilainya digunakan untuk mengontrol proses pembelajaran dalam machine learning. Dua dari hyperparameter ini adalah batch size dan learning rate. Penelitian ini menganalisis pengaruh batch size dan learning rate terhadap kinerja model klasifikasi CNN menggunakan dataset CT-Chest COVID-19 dan non-COVID. Peneltian ini dibagi menjadi 2 percobaan yaitu percobaan ke-1 dan percobaan ke-2. Pada percobaan ke-1 klasifikasi dilakukan tanpa melalui proses eskstraksi fitur, sementara pada penelitian ke-2 klasifikasi dilakukan melalui proses ekstraksi fitur terlebih dahulu pada dataset sebelum dilakukan proses klasifikasi. Perlakuan tersebut dilakukan untuk melihat perbedaan output yang dihasilkan. Klasifikasi pada setiap percobaan dilakukan berulang kali dengan batch size dan learning rate berbeda menggunakan metode k-fold validation dengan nilai k=10 dan dengan optimizer Adam. Output yang dihasilkan dalam penelitian ini adalah nilai True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN). Nilai-nilai tersebut selanjutnya digunakan dalam perhitungan nilai Accuracy, Sensitivity, Specificity dan Precision. Selanjutnya pengaruh batch size dan learning rate terhadap kinerja model klasifikasi dapat diketahui dengan melihat nilai Accuracy, Sensitivity, Specificity dan Precision yang dihasilkan menggunakan batch size dan learning rate tertentu. Hasil penelitian ini menunjukkan bahwa batch size dan learning rate memiliki pengaruh terhadap kinerja model klasifikasi CNN. Semakin rendah learning rate maka semakin rendah pula batch size yang diperlukan agar model bekerja lebih baik dalam mengklasifikasikan dataset CT-Chest COVID-19 dan nonCOVID. Dalam penelitian ditemukan pula bahwa learning rate dan batch size terbaik diperoleh dari percobaan 1 dengan learning rate 0,01 dan batch size 64 yang menghasilkan nilai Accuracy sebesar 60.86%, Sensitivity sebesar 93.43%, Specificity sebesar 65.24%, Precision sebesar 60.27% dan F2 Score sebesar 81.53%.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | COVID-19, CNN, batch size, learning rate. |
| Subjects: | Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Ni Komang Rai Mirayanti |
| Date Deposited: | 07 Mar 2024 07:46 |
| Last Modified: | 07 Mar 2024 07:48 |
| URI: | http://repo.undiksha.ac.id/id/eprint/18810 |
Actions (login required)
 |
View Item |