PENERAPAN SOFT-ATTENTION MECHANISM PADA ARSITEKTUR
MOBILENETV3 UNTUK KLASIFIKASI CITRA MONKEYPOX
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Rahman, Fachri
Subject
Q Science (General)
Datestamp
2025-01-10 07:26:55
Abstract :
Kemajuan teknologi kecerdasan buatan (AI) membuka peluang besar untuk meningkatkan diagnosa medis, termasuk penyakit menular seperti monkeypox. Diagnosa monkeypox saat ini umumnya dilakukan melalui observasi klinis dan pemeriksaan laboratorium, yang memakan waktu dan sumber daya. Untuk mengatasi keterbatasan ini, dilakukan penelitian menggunakan model deep learning dilakukan untuk mengklasifikasikan citra lesi kulit menjadi dua kelas: monkeypox dan others. Tantangan utama adalah kemiripan karakteristik lesi monkeypox dengan penyakit kulit lain seperti cacar air, yang memiliki pola lesi serupa. Oleh karena itu, pendekatan yang digunakan dalam penelitian ini adalah dengan menerapkan mekanisme soft attention pada arsitektur model deep learning, yang bertujuan untuk meningkatkan akurasi klasifikasi dengan data yang terbatas. Model ini diimplementasikan menggunakan arsitektur MobileNetV3 yang dimodifikasi dengan penerapan metode mekanisme soft attention. Evaluasi model dilakukan dengan membandingkan matriks evaluasi seperti accuracy, precision, recall, dan F1-score dengan model CNN konvensional seperti ResNet50, DenseNet121, VGG16 dengan penerapan modifikasi soft attention. Hasil evaluasi menunjukkan bahwa MobileNetV3+SA memberikan performa yang optimal dari segi efisiensi dan akurasi dibandingkan model-model lainnya yakni dengan nilai accuracy sebesar 0,9634, precision sebesar 0,9634, recall sebesar 0,9635, dan F1-score sebesar 0,9634 dengan jumlah 5.088.003 parameter dan total waktu training selama 972 detik.
Kemajuan teknologi kecerdasan buatan (AI) membuka peluang besar untuk meningkatkan diagnosa medis, termasuk penyakit menular seperti monkeypox. Diagnosa monkeypox saat ini umumnya dilakukan melalui observasi klinis dan pemeriksaan laboratorium, yang memakan waktu dan sumber daya. Untuk mengatasi keterbatasan ini, dilakukan penelitian menggunakan model deep learning dilakukan untuk mengklasifikasikan citra lesi kulit menjadi dua kelas: monkeypox dan others. Tantangan utama adalah kemiripan karakteristik lesi monkeypox dengan penyakit kulit lain seperti cacar air, yang memiliki pola lesi serupa. Oleh karena itu, pendekatan yang digunakan dalam penelitian ini adalah dengan menerapkan mekanisme soft attention pada arsitektur model deep learning, yang bertujuan untuk meningkatkan akurasi klasifikasi dengan data yang terbatas. Model ini diimplementasikan menggunakan arsitektur MobileNetV3 yang dimodifikasi dengan penerapan metode mekanisme soft attention. Evaluasi model dilakukan dengan membandingkan matriks evaluasi seperti accuracy, precision, recall, dan F1-score dengan model CNN konvensional seperti ResNet50, DenseNet121, VGG16 dengan penerapan modifikasi soft attention. Hasil evaluasi menunjukkan bahwa MobileNetV3+SA memberikan performa yang optimal dari segi efisiensi dan akurasi dibandingkan model-model lainnya yakni dengan nilai accuracy sebesar 0,9634, precision sebesar 0,9634, recall sebesar 0,9635, dan F1-score sebesar 0,9634 dengan jumlah 5.088.003 parameter dan total waktu training selama 972 detik.
File :
11201030_cover.pdf
11201030_ statement_of_authenticity.pdf
11201030_notations.pdf
11201030_chapter_1.pdf
11201030_chapter_3.pdf
11201030_conclusions.pdf
11201030_bibliography.pdf
11201030_enclosure.pdf
11201030_chapter_2.pdf
11201030_chapter_4.pdf
11201030_paper.pdf
11201030_form020.pdf
11201030_publishing_agreement.pdf
11201030_presentation.pdf
11201030_abstract_en.pdf
11201030_preface.pdf
11201030_abstract_id.pdf
11201030_table_of_content.pdf
11201030_approval_sheet.pdf
11201030_tables.pdf
11201030_illustrations.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
