KLASIFIKASI PENYAKIT ALZHEIMER DENGAN ENSEMBLE STACKING MENGGUNAKAN ARSITEKTUR EFFICIENTNETB3 DAN EFFICIENTNETV2S
Perkembangan artificial intelligence pada bidang deep learning pada computer vision banyak diterapkan dalam mendeteksi penyakit salah satunya Alzheimer. Selain dibutuhkan suatu model dengan akurasi tinggi juga dibutuhkan efisiensi. Penelitian ini bertujuan untuk menggabungkan hasil prediksi EfficientNetB3 dengan EfficientNetV2S untuk meningkatkan accuracy dan menurunkan tingkat kesalahan. Metode ensemble stacking menggabungkan prediksi dari kedua model untuk meningkatkan kinerja model. Hasil yang diperoleh model kinerja tertinggi berdasarkan metrik evaluasi diperoleh pada ensemble model pada learning rate 0,0001 pada 50 epoch dengan evaluasi performa model 99,98% pada accuracy, 99,98% precision, 99,98% recall, dan 99,98% f1-score pada pengujian 6400 data. Selain itu ensemble model dapat menurunkan kesalahan prediksi yaitu total 1 kesalahan.
APA Style
. (2023).KLASIFIKASI PENYAKIT ALZHEIMER DENGAN ENSEMBLE STACKING MENGGUNAKAN ARSITEKTUR EFFICIENTNETB3 DAN EFFICIENTNETV2S ().Teknik Informatika:FTI
Chicago Style
.KLASIFIKASI PENYAKIT ALZHEIMER DENGAN ENSEMBLE STACKING MENGGUNAKAN ARSITEKTUR EFFICIENTNETB3 DAN EFFICIENTNETV2S ().Teknik Informatika:FTI,2023.Text
MLA Style
.KLASIFIKASI PENYAKIT ALZHEIMER DENGAN ENSEMBLE STACKING MENGGUNAKAN ARSITEKTUR EFFICIENTNETB3 DAN EFFICIENTNETV2S ().Teknik Informatika:FTI,2023.Text
Turabian Style
.KLASIFIKASI PENYAKIT ALZHEIMER DENGAN ENSEMBLE STACKING MENGGUNAKAN ARSITEKTUR EFFICIENTNETB3 DAN EFFICIENTNETV2S ().Teknik Informatika:FTI,2023.Text
