Detail Cantuman

Penggunaan hyperparameter tuning dilakukan untuk meningkatkan performansi metode SqueezeNet menggunakan model gradient boosting untuk mendapatkan tingkat akurasi yang baik dalam melakukan klasifikasi terhadap target. Dengan membangun model klasifikasi untuk menentukan apakah seseorang terkena Covid-19 atau tumor, pemodelan klasifikasi dilakukan dengan menggunakan SqueezeNet sebagai proses ekstraksi fitur dan Gradient Boosting sebagai proses klasifikasi. Data yang digunakan untuk membuat model klasifikasi terdiri dari empat kelas yaitu Lung Mass Tumor (LMT), Non-Informative CT (NiCT), Negative CT (nCT), dan Positive CT (pCT) yang masing-masingnya memiliki 752 citra CT-scan paru-paru. Berdasarkan 16 kali training untuk ekstraksi fitur pada arsitektur SqueezeNet, didapatkan nilai terbaik dengan parameter epoch = 30, optimizer = Adam, learning_rate = 0.0001, batch_size = 32, menghasilkan akurasi sebesar 98.74%. Berdasarkan 15 kali proses training untuk klasifikasi pada SqueezeNet-GradientBoosting, nilai terbaik diperoleh dengan parameter n_estimator = 200, max_depth = 5, learning_rate = 0.5, subsample = 0.4, dan eval_metric = 'losslog', memeperoleh akurasi 99.67%. pengujian terhadap model SqueezeNet-GradientBoosting memperoleh akurasi 99.83%, precision: 99.65%, recall 99.67%, dan F1-Score: 99.67%. Nilai-nilai yang diperoleh dari pengujian ini dipengaruhi oleh dataset dan parameter yang digunakan dalam model SqueezeNet-GradientBoostingg.