eprintid: 11233
rev_number: 6
eprint_status: archive
userid: 46
dir: disk0/00/01/12/33
datestamp: 2026-10-22 02:23:36
lastmod: 2026-10-22 02:23:36
status_changed: 2026-10-22 02:23:36
type: thesis
metadata_visibility: show
creators_name: Ramadhan, Dimas
creators_NPM: 065120108
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_name: Tosida, Eneng Tita
contributors_name: Munggaran, Dinar
corp_creators: Universitas Pakuan
corp_creators: Fakultas Matematika dan Ilmu Pnegetahuan Alam
corp_creators: Program Studi Ilmu Komputer
title: Diagnosa Penyakit Paru-Paru Berbasis Data Magnetic 
Resonance Imaging (MRI) Menggunakan Metode Convolutional Neural Network 
(CNN) Transfer Learning
ispublished: pub
subjects: QK
divisions: sch_ecs
full_text_status: none
abstract: Diagnosa Penyakit Paru-Paru Berbasis Data Magnetic 
Resonance Imaging (MRI) Menggunakan Metode Convolutional Neural Network 
(CNN) Transfer Learning. Dibawah bimbingan Dr. Eneng Tita Tosida, S.Tp.,
M. Si dan Dinar Munggaran A., S. Kom., M. Kom.
Diagnosa penyakit paru-paru secara akurat sangat penting dalam diagnosis dan 
perawatan medis. Metode konvensional yang digunakan untuk mendiagnosis 
Penyakit paru-paru sering kali memerlukan keterlibatan ahli radiologi yang 
berpengalaman dan memakan waktu. Selain itu, tingkat kesalahan dalam 
interpretasi citra MRI dapat mempengaruhi hasil diagnosis. Oleh karena itu, 
diperlukan suatu metode yang dapat secara otomatis dan akurat mengklasifikasikan 
penyakit untuk membantu proses diagnosis.
Dalam penelitian ini, penulis mengembangkan sistem Diagnosa Penyakit Paru�Paru Berbasis Data Magnetic Resonance Imaging (MRI) Menggunakan Metode 
Convolutional Neural Network (CNN) Transfer Learning. Dua model CNN yang 
digunakan adalah MobileNetV2 dan DenseNetV2, yang diterapkan pada citra MRI 
untuk mengklasifikasikan citra MRI penyakit paru-paru. Hasil penelitian 
menunjukkan bahwa kedua model, MobileNetV2 dan DenseNetV2, mampu 
mengklasifikasikan tumor otak dengan akurasi yang tinggi. Meskipun kedua model 
menunjukkan performa yang baik, MobileNetV2 sedikit lebih unggul dalam hal 
akurasi, sementara DenseNetV2 lebih efisien dalam kecepatan dan penggunaan 
sumber daya.
date: 2025-07-13
date_type: published
institution: Universitas Pakuan
department: Fakultas Matematika dan Pengetahuan Alam
thesis_type: Skripsi
thesis_name: Sarjana
citation:   Ramadhan, Dimas  (2025) Diagnosa Penyakit Paru-Paru Berbasis Data Magnetic Resonance Imaging (MRI) Menggunakan Metode Convolutional Neural Network (CNN) Transfer Learning.  Skripsi thesis, Universitas Pakuan.