Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal
Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini foku...
Ausführliche Beschreibung
Autor*in: |
Irfan Surya Ramadhan [verfasserIn] Abu Salam [verfasserIn] |
---|
Format: |
E-Artikel |
---|---|
Sprache: |
Indonesisch |
Erschienen: |
2024 |
---|
Schlagwörter: |
kidney cyst, deep learning, cnn, random undersampling, ct scan |
---|
Übergeordnetes Werk: |
In: Techno.Com - Universitas Dian Nuswantoro, 2016, 23(2024), 1, Seite 20-28 |
---|---|
Übergeordnetes Werk: |
volume:23 ; year:2024 ; number:1 ; pages:20-28 |
Links: |
---|
DOI / URN: |
10.62411/tc.v23i1.9738 |
---|
Katalog-ID: |
DOAJ100374565 |
---|
LEADER | 01000naa a22002652 4500 | ||
---|---|---|---|
001 | DOAJ100374565 | ||
003 | DE-627 | ||
005 | 20240414092150.0 | ||
007 | cr uuu---uuuuu | ||
008 | 240414s2024 xx |||||o 00| ||ind c | ||
024 | 7 | |a 10.62411/tc.v23i1.9738 |2 doi | |
035 | |a (DE-627)DOAJ100374565 | ||
035 | |a (DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b | ||
040 | |a DE-627 |b ger |c DE-627 |e rakwb | ||
041 | |a ind | ||
050 | 0 | |a T58.5-58.64 | |
100 | 0 | |a Irfan Surya Ramadhan |e verfasserin |4 aut | |
245 | 1 | 0 | |a Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal |
264 | 1 | |c 2024 | |
336 | |a Text |b txt |2 rdacontent | ||
337 | |a Computermedien |b c |2 rdamedia | ||
338 | |a Online-Ressource |b cr |2 rdacarrier | ||
520 | |a Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. | ||
650 | 4 | |a kidney cyst, deep learning, cnn, random undersampling, ct scan | |
653 | 0 | |a Information technology | |
700 | 0 | |a Abu Salam |e verfasserin |4 aut | |
773 | 0 | 8 | |i In |t Techno.Com |d Universitas Dian Nuswantoro, 2016 |g 23(2024), 1, Seite 20-28 |w (DE-627)1760619248 |x 23562579 |7 nnns |
773 | 1 | 8 | |g volume:23 |g year:2024 |g number:1 |g pages:20-28 |
856 | 4 | 0 | |u https://doi.org/10.62411/tc.v23i1.9738 |z kostenfrei |
856 | 4 | 0 | |u https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b |z kostenfrei |
856 | 4 | 0 | |u https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738 |z kostenfrei |
856 | 4 | 2 | |u https://doaj.org/toc/2356-2579 |y Journal toc |z kostenfrei |
912 | |a GBV_USEFLAG_A | ||
912 | |a SYSFLAG_A | ||
912 | |a GBV_DOAJ | ||
951 | |a AR | ||
952 | |d 23 |j 2024 |e 1 |h 20-28 |
author_variant |
i s r isr a s as |
---|---|
matchkey_str |
article:23562579:2024----::enkadmnesmlnutkegtsktdkemagnea |
hierarchy_sort_str |
2024 |
callnumber-subject-code |
T |
publishDate |
2024 |
allfields |
10.62411/tc.v23i1.9738 doi (DE-627)DOAJ100374565 (DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b DE-627 ger DE-627 rakwb ind T58.5-58.64 Irfan Surya Ramadhan verfasserin aut Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. kidney cyst, deep learning, cnn, random undersampling, ct scan Information technology Abu Salam verfasserin aut In Techno.Com Universitas Dian Nuswantoro, 2016 23(2024), 1, Seite 20-28 (DE-627)1760619248 23562579 nnns volume:23 year:2024 number:1 pages:20-28 https://doi.org/10.62411/tc.v23i1.9738 kostenfrei https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b kostenfrei https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738 kostenfrei https://doaj.org/toc/2356-2579 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ AR 23 2024 1 20-28 |
spelling |
10.62411/tc.v23i1.9738 doi (DE-627)DOAJ100374565 (DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b DE-627 ger DE-627 rakwb ind T58.5-58.64 Irfan Surya Ramadhan verfasserin aut Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. kidney cyst, deep learning, cnn, random undersampling, ct scan Information technology Abu Salam verfasserin aut In Techno.Com Universitas Dian Nuswantoro, 2016 23(2024), 1, Seite 20-28 (DE-627)1760619248 23562579 nnns volume:23 year:2024 number:1 pages:20-28 https://doi.org/10.62411/tc.v23i1.9738 kostenfrei https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b kostenfrei https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738 kostenfrei https://doaj.org/toc/2356-2579 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ AR 23 2024 1 20-28 |
allfields_unstemmed |
10.62411/tc.v23i1.9738 doi (DE-627)DOAJ100374565 (DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b DE-627 ger DE-627 rakwb ind T58.5-58.64 Irfan Surya Ramadhan verfasserin aut Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. kidney cyst, deep learning, cnn, random undersampling, ct scan Information technology Abu Salam verfasserin aut In Techno.Com Universitas Dian Nuswantoro, 2016 23(2024), 1, Seite 20-28 (DE-627)1760619248 23562579 nnns volume:23 year:2024 number:1 pages:20-28 https://doi.org/10.62411/tc.v23i1.9738 kostenfrei https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b kostenfrei https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738 kostenfrei https://doaj.org/toc/2356-2579 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ AR 23 2024 1 20-28 |
allfieldsGer |
10.62411/tc.v23i1.9738 doi (DE-627)DOAJ100374565 (DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b DE-627 ger DE-627 rakwb ind T58.5-58.64 Irfan Surya Ramadhan verfasserin aut Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. kidney cyst, deep learning, cnn, random undersampling, ct scan Information technology Abu Salam verfasserin aut In Techno.Com Universitas Dian Nuswantoro, 2016 23(2024), 1, Seite 20-28 (DE-627)1760619248 23562579 nnns volume:23 year:2024 number:1 pages:20-28 https://doi.org/10.62411/tc.v23i1.9738 kostenfrei https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b kostenfrei https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738 kostenfrei https://doaj.org/toc/2356-2579 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ AR 23 2024 1 20-28 |
allfieldsSound |
10.62411/tc.v23i1.9738 doi (DE-627)DOAJ100374565 (DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b DE-627 ger DE-627 rakwb ind T58.5-58.64 Irfan Surya Ramadhan verfasserin aut Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. kidney cyst, deep learning, cnn, random undersampling, ct scan Information technology Abu Salam verfasserin aut In Techno.Com Universitas Dian Nuswantoro, 2016 23(2024), 1, Seite 20-28 (DE-627)1760619248 23562579 nnns volume:23 year:2024 number:1 pages:20-28 https://doi.org/10.62411/tc.v23i1.9738 kostenfrei https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b kostenfrei https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738 kostenfrei https://doaj.org/toc/2356-2579 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ AR 23 2024 1 20-28 |
language |
Indonesian |
source |
In Techno.Com 23(2024), 1, Seite 20-28 volume:23 year:2024 number:1 pages:20-28 |
sourceStr |
In Techno.Com 23(2024), 1, Seite 20-28 volume:23 year:2024 number:1 pages:20-28 |
format_phy_str_mv |
Article |
institution |
findex.gbv.de |
topic_facet |
kidney cyst, deep learning, cnn, random undersampling, ct scan Information technology |
isfreeaccess_bool |
true |
container_title |
Techno.Com |
authorswithroles_txt_mv |
Irfan Surya Ramadhan @@aut@@ Abu Salam @@aut@@ |
publishDateDaySort_date |
2024-01-01T00:00:00Z |
hierarchy_top_id |
1760619248 |
id |
DOAJ100374565 |
language_de |
Sangiang |
fullrecord |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000naa a22002652 4500</leader><controlfield tag="001">DOAJ100374565</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20240414092150.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">240414s2024 xx |||||o 00| ||ind c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.62411/tc.v23i1.9738</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)DOAJ100374565</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ind</subfield></datafield><datafield tag="050" ind1=" " ind2="0"><subfield code="a">T58.5-58.64</subfield></datafield><datafield tag="100" ind1="0" ind2=" "><subfield code="a">Irfan Surya Ramadhan</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2024</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">kidney cyst, deep learning, cnn, random undersampling, ct scan</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Information technology</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Abu Salam</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">In</subfield><subfield code="t">Techno.Com</subfield><subfield code="d">Universitas Dian Nuswantoro, 2016</subfield><subfield code="g">23(2024), 1, Seite 20-28</subfield><subfield code="w">(DE-627)1760619248</subfield><subfield code="x">23562579</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:23</subfield><subfield code="g">year:2024</subfield><subfield code="g">number:1</subfield><subfield code="g">pages:20-28</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doi.org/10.62411/tc.v23i1.9738</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/2356-2579</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_DOAJ</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">23</subfield><subfield code="j">2024</subfield><subfield code="e">1</subfield><subfield code="h">20-28</subfield></datafield></record></collection>
|
callnumber-first |
T - Technology |
author |
Irfan Surya Ramadhan |
spellingShingle |
Irfan Surya Ramadhan misc T58.5-58.64 misc kidney cyst, deep learning, cnn, random undersampling, ct scan misc Information technology Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal |
authorStr |
Irfan Surya Ramadhan |
ppnlink_with_tag_str_mv |
@@773@@(DE-627)1760619248 |
format |
electronic Article |
delete_txt_mv |
keep |
author_role |
aut aut |
collection |
DOAJ |
remote_str |
true |
callnumber-label |
T58 |
illustrated |
Not Illustrated |
issn |
23562579 |
topic_title |
T58.5-58.64 Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal kidney cyst, deep learning, cnn, random undersampling, ct scan |
topic |
misc T58.5-58.64 misc kidney cyst, deep learning, cnn, random undersampling, ct scan misc Information technology |
topic_unstemmed |
misc T58.5-58.64 misc kidney cyst, deep learning, cnn, random undersampling, ct scan misc Information technology |
topic_browse |
misc T58.5-58.64 misc kidney cyst, deep learning, cnn, random undersampling, ct scan misc Information technology |
format_facet |
Elektronische Aufsätze Aufsätze Elektronische Ressource |
format_main_str_mv |
Text Zeitschrift/Artikel |
carriertype_str_mv |
cr |
hierarchy_parent_title |
Techno.Com |
hierarchy_parent_id |
1760619248 |
hierarchy_top_title |
Techno.Com |
isfreeaccess_txt |
true |
familylinks_str_mv |
(DE-627)1760619248 |
title |
Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal |
ctrlnum |
(DE-627)DOAJ100374565 (DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b |
title_full |
Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal |
author_sort |
Irfan Surya Ramadhan |
journal |
Techno.Com |
journalStr |
Techno.Com |
callnumber-first-code |
T |
lang_code |
ind |
isOA_bool |
true |
recordtype |
marc |
publishDateSort |
2024 |
contenttype_str_mv |
txt |
container_start_page |
20 |
author_browse |
Irfan Surya Ramadhan Abu Salam |
container_volume |
23 |
class |
T58.5-58.64 |
format_se |
Elektronische Aufsätze |
author-letter |
Irfan Surya Ramadhan |
doi_str_mv |
10.62411/tc.v23i1.9738 |
author2-role |
verfasserin |
title_sort |
teknik random undersampling untuk mengatasi ketidakseimbangan kelas pada ct scan kista ginjal |
callnumber |
T58.5-58.64 |
title_auth |
Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal |
abstract |
Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. |
abstractGer |
Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. |
abstract_unstemmed |
Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang. |
collection_details |
GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ |
container_issue |
1 |
title_short |
Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal |
url |
https://doi.org/10.62411/tc.v23i1.9738 https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738 https://doaj.org/toc/2356-2579 |
remote_bool |
true |
author2 |
Abu Salam |
author2Str |
Abu Salam |
ppnlink |
1760619248 |
callnumber-subject |
T - General Technology |
mediatype_str_mv |
c |
isOA_txt |
true |
hochschulschrift_bool |
false |
doi_str |
10.62411/tc.v23i1.9738 |
callnumber-a |
T58.5-58.64 |
up_date |
2024-07-03T14:19:40.959Z |
_version_ |
1803567896686755840 |
fullrecord_marcxml |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000naa a22002652 4500</leader><controlfield tag="001">DOAJ100374565</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20240414092150.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">240414s2024 xx |||||o 00| ||ind c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.62411/tc.v23i1.9738</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)DOAJ100374565</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DOAJe8d1cbf8223040bf959cef0a6827ae4b</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ind</subfield></datafield><datafield tag="050" ind1=" " ind2="0"><subfield code="a">T58.5-58.64</subfield></datafield><datafield tag="100" ind1="0" ind2=" "><subfield code="a">Irfan Surya Ramadhan</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2024</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">kidney cyst, deep learning, cnn, random undersampling, ct scan</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Information technology</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Abu Salam</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">In</subfield><subfield code="t">Techno.Com</subfield><subfield code="d">Universitas Dian Nuswantoro, 2016</subfield><subfield code="g">23(2024), 1, Seite 20-28</subfield><subfield code="w">(DE-627)1760619248</subfield><subfield code="x">23562579</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:23</subfield><subfield code="g">year:2024</subfield><subfield code="g">number:1</subfield><subfield code="g">pages:20-28</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doi.org/10.62411/tc.v23i1.9738</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doaj.org/article/e8d1cbf8223040bf959cef0a6827ae4b</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://publikasi.dinus.ac.id/index.php/technoc/article/view/9738</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/2356-2579</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_DOAJ</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">23</subfield><subfield code="j">2024</subfield><subfield code="e">1</subfield><subfield code="h">20-28</subfield></datafield></record></collection>
|
score |
7.4000244 |