Image of Klasifikasi Kadar Glukosa Dalam Urin Menggunakan Convolutional Neural Network Berdasarkan Citra Hasil Reaksi Benedict's Test

Text

Klasifikasi Kadar Glukosa Dalam Urin Menggunakan Convolutional Neural Network Berdasarkan Citra Hasil Reaksi Benedict's Test

Diabetes Mellitus merupakan penyakit metabolik yang memerlukan pemantauan kadar glukosa untuk mencegah komplikasi. Salah satu metode adalah pemeriksaan glukosa urin menggunakan reaksi Benedict berdasarkan perubahan warna larutan. Namun, pendekatan berbasis komponen warna Red, Green, dan Blue (RGB) dari sensor TCS3200 sebagai penentu kategori belum sepenuhnya merepresentasikan karakteristik hasil reaksi Benedict. Selain itu, kemiripan antar kelas dapat menimbulkan ambiguitas klasifikasi. Penelitian ini bertujuan menganalisis kinerja Convolutional Neural Network (CNN) dalam mengklasifikasikan kadar glukosa urin berdasarkan citra reaksi Benedict serta kemampuan model menangani ambiguitas antar kelas dengan kemiripan visual tinggi. Penelitian menggunakan 6.365 citra yang dikelompokkan berdasarkan 66 Object_ID dan terdiri atas lima kelas. Model menggunakan MobileNetV2 dengan transfer learning dan CNN head, kemudian dievaluasi menggunakan Group 5-Fold Cross Validation. Evaluasi mencakup accuracy, precision, recall, F1-score, AUC, Cohen’s Kappa, MCC, Log Loss, Balanced Accuracy, Hamming Loss, dan Brier Score. Analisis inferensi, PCA, t-SNE, dan Grad-CAM digunakan untuk mengkaji ambiguitas serta representasi fitur model. Hasil menunjukkan accuracy sebesar 99,92%, 100,00%, 99,84%, 99,68%, dan 99,68% pada Fold 1 hingga 5. Inferensi menunjukkan bahwa model sebelum preprocessing mengalami ketidakstabilan dan kegagalan klasifikasi pada Fold 3. Setelah preprocessing, seluruh fold berhasil mengklasifikasikan setiap kelas dengan benar dan tingkat kepercayaan yang tinggi. Pola tersebut menunjukkan bahwa preprocessing berkaitan dengan berkurangnya ambiguitas keluaran model. PCA menunjukkan kedekatan fitur beberapa kelas, sedangkan t-SNE memperlihatkan pemisahan struktur lokal lebih jelas. Grad-CAM menunjukkan bahwa prediksi salah dapat dipengaruhi pantulan cahaya dan objek latar belakang. Secara keseluruhan, MobileNetV2 menghasilkan kinerja klasifikasi sangat tinggi, tetapi masih menghadapi ambiguitas pada kelas dengan karakteristik berdekatan.

Ketersediaan
S2600316TESIS-2026 KOR kPerpustakaan Universitas Handayani MakassarTersedia
Informasi Detail
Judul Seri
-
No. Panggil
TESIS-2026 KOR k
Penerbit
Universitas Handayani Makassar : .,
Deskripsi Fisik
ii + 172 hlm,; 30 x 21 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
TESIS-2026 KOR k
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
Cet 1
Subjek
Klasifikasi
CNN
MobileNetV2
, Glukosa Urin
Benedict Test
Info Detail Spesifik
Tesis Sistem Komputer
Pernyataan Tanggungjawab
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Komentar
Anda harus login sebelum memberikan komentar