Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2024
- Tujuan
- Nomor
- 440d4ff4-07ec-4fbe-b790-75d5162b550a
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro melaksanakan penelitian yang mengkaji struktur convolutional neural network (CNN) yang digunakan untuk klasifikasi citra Covid-19. Kegiatan ini melibatkan Mulyono, Ibnu Utomo Wahyu; Rachmawanto, Eko Hari; Sari, Christy Atika; dan Sarker, Md Kamruzzaman sebagai peserta. Penelitian tersebut menginvestigasi arsitektur classic CNN, visual geometry group (VGG), dan ResNet-50 pada berbagai dataset. Evaluasi mempertimbangkan accuracy, precision, recall, dan F1-Score untuk mengkaji efektivitas setiap arsitektur dalam tugas klasifikasi.
Hasil eksperimen menunjukkan bahwa arsitektur ResNet-50 mencapai kinerja tertinggi dengan tingkat akurasi 96,63%, serta mengungguli model VGG dan classic CNN. Penelitian ini juga mengkaji kombinasi ResNet-50 dengan optimizer Adam dan melaporkan efektivitasnya dalam meningkatkan akurasi klasifikasi. VGG dan ResNet-50 dipilih karena kemampuan ekstraksi fitur yang kuat, kinerja state-of-the-art, kesesuaian untuk transfer learning, serta ketersediaan model pralatih secara luas. Karakteristik tersebut memudahkan penggunaan dan eksperimen.
Kegiatan ini berhubungan dengan penelitian kesehatan melalui pengkajian arsitektur deep learning untuk klasifikasi citra Covid-19. Temuannya memberikan wawasan mengenai perbandingan kinerja arsitektur CNN serta menekankan pentingnya pilihan arsitektur dan pemilihan hyperparameter untuk kinerja model yang optimal. Melalui kegiatan penelitian ini, Universitas Dian Nuswantoro membingkai evaluasi arsitektur CNN dan hyperparameter sebagai kontribusi penelitian kelembagaan terkait klasifikasi citra Covid-19.