digilib@itb.ac.id +62 812 2508 8800

Abstrak_Achmad Abhista W 13318022.pdf
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

COVER Achmad Abhista Wiryadisastra
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB 1 Achmad Abhista Wiryadisastra
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB 2 Achmad Abhista Wiryadisastra
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB 3 Achmad Abhista Wiryadisastra
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB 4 Achmad Abhista Wiryadisastra
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB 5 Achmad Abhista Wiryadisastra
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

DAFTAR Achmad Abhista Wiryadisastra
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

2024 TA TF ACHMAD ABHISTA WIRYADISASTRA 13318022 & MUHAMMAD FAHMI SANTOSA 13318040 LAMPIRAN.pdf
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

Demam Berdarah Dengue (DBD) menjadi penyakit yang sering dijumpai di daerah beriklim tropis maupun subtropis dan umumnya akan terjadi peningkatan di saat musim penghujan tiba. Indonesia yang merupakan negara tropis pun menjadi salah satu negara dengan jumlah kasus DBD yang cukup tinggi setiap tahunnya bahkan di tahun 2016 pernah menjadi negara dengan kasus DBD tertinggi kedua di dunia setelah Brazil. Hingga di akhir tahun 2020, telah ditemukan setidaknya 108.303 kasus DBD diikuti dengan 661 kematian akibat penyakit tersebut di Indonesia. DBD disebabkan oleh virus dengue yang diperantarai oleh nyamuk. Jenis nyamuk yang menjadi vektor dengue berasal dari genus aedes seperti Aedes aegepty dan Aedes albopictus. Pada penelitian ini dikembangkan sistem perhitungan telur nyamuk dengan menggunakan Deep Learning (DL) berbasis Convolutional Neural Network (CNN) berupa model You Only Look Once (YOLO) dan Faster Region Based Convolutional Neural Network (Faster R-CNN). Alur permodelan dimulai dengan melakukan data preparation. Kemudian ditentukan hyperparameter pada kedua model, lalu pengujian model, dan diakhiri dengan perbandingan model. Setelah dilakukan permodelan dan membandingkan keduanya didapatkan bahwa dengan menggunakan optimizer SGD dan AdamW kedua model mampu mempelajari data dengan baik. Model YOLO dengan optimizer SGD menghasilkan rata-rata akurasi 97,14% sedangkan dengan AdamW menghasilkan rata-rata akurasi 98,85%. Model Faster R-CNN dengan optimizer SGD menghasilkan rata-rata akurasi 94,4% sedangkan dengan AdamW menghasilkan rata-rata akurasi 95,6%. Penggunaan optimizer AdamW dinilai dapat memberikan akurasi yang lebih tinggi pada kedua model dibanding SGD. Variasi learning rate hanya memberikan perbedaan pada optimizer SGD dari kedua model. Sedangkan variasi batch size tidak memberikan dampak yang besar terhadap akurasi model. Nilai akurasi ini meningkat dibanding penggunaan metode connected components pada penelitian sebelumnya dimana hanya dapat memberikan nilai akurasi tertinggi sebesar 91,3%.