PENERAPAN ARSITEKTUR XCEPTION DENGAN MEMBANDINGKAN EXTREME GRADIENT BOOSTING DAN LIGHT GRADIENT BOOSTING MACHINE PADA CITRA MEDIS
Penelitian ini bertujuan untuk mengetahui metode klasifikasi yang baik untuk digunakan Xception sebagai ekstraksi fitur. Citra CT-scan memiliki karakteristik dalam berbagai penyakit. Xception digunakan karena memiliki akurasi yang baik terhadap citra yang memiliki noise, namun bukan model yang terbaik diantara yang lain. Maka dibutuhkan model untuk meningkatkan akurasi dengan menggunakan model XGBoost dan LGBM. Yang akan membantu meningkatkan akurasi dalam mendeteksi panyakit yang ada dengan menggunakan gambar CT-Scan paru-paru. Penelitian ini menggunakan 4 kelas gambar yaitu: (1) LMT, (2) NiCT, (3) nCT, dan (4) pCT. Hasil akurasi tertinggi dari pelatihan yang dilakukan menggunakan model Xception didapatkan 98,66%. Dan hasil dari pelatihan didapatkan akurasi tertinggi Xception-XGBoost yaitu 99,61% dan Xception-LGBM yaitu 99,93%. Akurasi tertinggi didapat dengan menggunakan model Xception-LGBM yaitu meningkatkan akurasi sebesar 1,27%.
APA Style
. (2024).PENERAPAN ARSITEKTUR XCEPTION DENGAN MEMBANDINGKAN EXTREME GRADIENT BOOSTING DAN LIGHT GRADIENT BOOSTING MACHINE PADA CITRA MEDIS ().Teknik Informatika:FTI
Chicago Style
.PENERAPAN ARSITEKTUR XCEPTION DENGAN MEMBANDINGKAN EXTREME GRADIENT BOOSTING DAN LIGHT GRADIENT BOOSTING MACHINE PADA CITRA MEDIS ().Teknik Informatika:FTI,2024.Text
MLA Style
.PENERAPAN ARSITEKTUR XCEPTION DENGAN MEMBANDINGKAN EXTREME GRADIENT BOOSTING DAN LIGHT GRADIENT BOOSTING MACHINE PADA CITRA MEDIS ().Teknik Informatika:FTI,2024.Text
Turabian Style
.PENERAPAN ARSITEKTUR XCEPTION DENGAN MEMBANDINGKAN EXTREME GRADIENT BOOSTING DAN LIGHT GRADIENT BOOSTING MACHINE PADA CITRA MEDIS ().Teknik Informatika:FTI,2024.Text
