Skripsi/Tugas Akhir

Aplikasi Pencarian Informasi Sebaran dan Pengenalan Covid-19 Menggunakan Convolutional Neural Network Berbasis Android

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Saat ini Covid-19 sudah menjadi pandemi di seluruh dunia dan diperlukan sebuah metode yang praktis dan efisien untuk membantu menghambat penyebaran virus tersebut dan sebuah platform yang dapat menampilkan informasi Covid-19 secara realtime. Deep Learning memiliki berbagai macam metode yang dapat digunakan untuk melakukan klasifikasi Covid-19. Metode Convolutional Neural Network (CNN) menjadi pilihan dalam penelitian yang dilakukan. Arsitektur CNN dirancang untuk melakukan pelatihan dan pengujian pada infrastruktur Google Colaboratory. Dari data hasil pelatihan tersebut kemudian disimpan dan dikonversike dalam bentuk file TensorFlow Lite dan diimpor ke dalam project pada Android Studio agar dapat diimplementasikan pada aplikasi Android. Berdasarkan hasil pelatihan dan pengujian pada Google Colaboratory dengan dataset citra chest rayyang berukuran 224x224 piksel didapat bahwa pada arsitektur CNN yang dirancang diperoleh tingkat akurasi pelatihan sebesar 0.9671 dan nilai akurasi validasi mencapai 0.9601. Selanjutnya dilakukan pengujian dari arsitektur tersebut pada
perangkat Android. Hasil pengujian arsitektur CNN pada perangkat Android menghasilkan tingkat akurasi sebesar 86% menggunakan kamera dan 100% menggunakan gambar dari galeri.
Kata Kunci : Klasifikasi Covid-19, Sebaran Informasi, Realtime, Android, Google Colaboratory, CNN.

ABSTRACT
Currently Covid-19 has become a worldwide pandemic and a practical and efficient method is needed to help prevent the spread of the virus and a platform that can display Covid-19 information in real time. Deep Learning has a variety of methods that can be used to classify Covid-19. The Convolutional Neural Network (CNN) method became an option in the research conducted. CNN's architecture is designed to conduct training and testing on the Google Colaboratory infrastructure. The training data is then saved and converted into TensorFlow Lite files and imported into projects in Android Studio so that they can be implemented on Android apps. Based on the results of training and testing at Google Colaboratory with chest ray image dataset measuring 224x224 pixels, it was obtained that in CNN architecture designed obtained a training accuracy rate of 0.9671 and validation accuracy value reached 0.9601. Further testing of the architecture is carried out on Android devices. CNN's architectural test results on Android devices resulted in an 86% accuracy rate using the camera and 100% using images from the gallery.
Keywords : Classification of Covid-19, Information Distribution, Realtime, Android, Google Colaboratory, CNN.

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

[Tidak Ada]

No. Panggil

SKR 21-43 RIF a - 0045TI

Penerbit

Makassar : ., 2021

Deskripsi Fisik

xvi + 96 hlm.; 28,5 x 20,5 cm

Bahasa

Indonesia

ISBN/ISSN

[Tidak Ada]

Klasifikasi

SKR 21-43

Tipe Isi

Text dan Gambar

Edisi/Cetakan

[Tidak Ada]

Subjek

Skripsi/Tugas Akhir
Android
Convolutional Neural Network

Lampiran File