Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Journal Sensi: Strategic of Education in Information System
Muhammad Zakki Mardhi
Universitas Mercu Buana Jakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Residual Network Dengan Monte Carlo Dropout Untuk Prediksi Malaria Melalui Citra Hapusan Darah Tipis Siti Maesaroh; Ita Erliyani; Muhammad Zakki Mardhi
Journal Sensi: Strategic of Education in Information System Vol 10 No 1 (2024): Journal Sensi
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/sensi.v10i1.3112

Abstract

Malaria adalah penyakit demam akut yang disebabkan oleh parasit Plasmodium, yang ditularkan ke manusia melalui gigitan nyamuk Anopheles betina. Ketika nyamuk menggigit manusia, parasit akan memasuki tubuh manusia dan bersarang di hati. dikarenakan gejala nya serupa dengan penyakit umum membuat malaria sulit dikenali tanpa pemeriksaan mikroskopik pada hapusan darah. Namun, akurasi pemeriksaan mikroskop tergantung pada kualitas hapusan, keahlian dalam mengklasifikasikan dan menghitung sel yang diparasit dan tidak terinfeksi. Pemeriksaan seperti itu bisa sulit untuk diagnosis skala besar dan mengakibatkan kualitas yang buruk, untuk menutupi kekurangan tersebut dapat digunakan suatu metode dalam deep learning berupa Residual Network. Residual network merupakan salah satu arsitektur dari model Convolutional Neural Network yang memungkinkan jaringan untuk melompati atau skip beberapa lapisan, skip connection memungkinkan aliran gradien yang lebih efisien selama pelatihan dan memungkinkan jaringan untuk belajar representasi yang lebih baik dari data yang baru. Agar model dapat beradaptasi dengan data yang tidak sesuai pada saat pelatihan, model memanfaatkan metode monte carlo dropout untuk mencegah jaringan menjadi terlalu khusus pada contoh pelatihan tertentu dan meningkatkan generalisasi model. Dengan menggunakan arsitektur ResNet dan Monte Carlo dropout, model dapat mengurangi tingkat loss seiring proses pelatihan berlangsung, bahkan dengan proses pelatihan sebanyak 35 kali dengan jumlah batch sebanyak 32 tingkat akurasi dari model dapat mencapai 97% dan tingkat loss sebesar 6.5%.
Co-Authors Erliyani, Ita Siti Maesaroh