Deteksi Cepat Penyakit Pernafasan Menular Melalui Keringat Menggunakan Electronic Nose Dengan Deep Learning

Malikhah, Malikhah (2022) Deteksi Cepat Penyakit Pernafasan Menular Melalui Keringat Menggunakan Electronic Nose Dengan Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

	Text Malikhah_BukuTesis.pdf Restricted to Repository staff only Download (6MB) | Request a copy
	Text Malikhah_BukuTesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (6MB) | Request a copy

Abstract

Keringat yang dihasilkan dalam tubuh dapat menjadi biomaker suatu penyakit. Keringat di ketiak menghasilkan berbagai senyawa organik yang mudah menguap atau Volatile Organic Compounds (VOC). Jumlah dan jenis VOC pada manusia bisa menunjukkan kondisi tubuh atau penyakit pada manusia. Selama ini beberapa metode telah digunakan untuk mendeteksi penyakit pernafasan menular, misalnya dengan mengambil sampel dari darah, air liur, dahak, dan lain sebagainya. Bagi sebagian orang, pengambilan sampel dengan metode ini terasa menyakitkan dan tidak nyaman, serta diperlukan waktu beberapa jam untuk mendapatkan hasilnya. Meskipun metode ini memiliki akurasi yang tinggi, namun metode ini menimbulkan masalah lain yaitu meningkatkan risiko penyebaran, khususnya untuk penyakit pernafasan menular. Dewasa ini electronic nose semakin banyak dikembangkan untuk keperluan medis, salah satunya untuk mendiagnosis penyakit. Penelitian ini mengusulkan pendekatan baru untuk deteksi peyakit pernafasan menular menggunakan electronic nose dengan memanfaatkan kecerdasan buatan agar deteksi dapat dilakukan lebih cepat dan aman. Perangkat electronic nose mengambil sampel keringat dari ketiak manusia dan menyimpan nilai VOC dari keringat. Ekstraksi fitur baru diusulkan untuk penelitian ini yaitu dengan mencari nilai stabil dan gradien maksimum. Kecerdasan buatan yang digunakan adalah deep learning karena kemampuan deep learning untuk mengolah data sinyal dan menangani data yang saling tumpang tindih. 3 metode Deep learning yaitu Fully Connected Deep Network (FCDN), Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM) dibangun untuk mendeteksi penyakit pernafasan menular dengan menggunakan hyperparameter tuning. lima hasil terbaik dari hyperparameter tuning dari masing-masing metode menjadi base model dari stacked deep learning. Model deep learning dan stacked deep learning yang dihasilkan kemudian dibandingkan satu sama lain dengan menggunakan nilai indikator yang merupakan trade-off antara akurasi dan kompleksitas model. Hasil eksperimen menunjukkan bahwa dengan menggunakan stacked FCDN di mana base model terdiri dari 5 model terbaik dari FCDN, menghasilkan nilai indikator paling tinggi yaitu 80.479 dengan akurasi 0.934 dan jumlah parameter sebanyak 423,014.
=====================================================================================================
Sweat produced in the body can be a biomaker of a disease. Sweat in the axillary produces various Volatile Organic Compounds (VOCs). The amount and type of VOC in humans can indicate human body condition or diseases in humans. So far, several methods have been used to detect infectious respiratory diseases, for example by taking sampels from blood, saliva, phlegm, and so on. For some people, sampling with this method is painful and uncomfortable, and it can take several hours to get the results. Although this method generates high accuracy, this method raises other problems, which are increasing the risk of spreading, especially for infectious respiratory diseases. Nowadays, electronic noses are increasingly being developed for medical purposes, one of its purpose is to diagnose and detect diseases in human.
This study proposes a new approach to detect respiratory diseases using an electronic nose by utilizing artificial intelligence so that detection can be carried out more quickly and safely. Electronic nose devices take samples of sweat from axillary and store VOCs from the sweat. The new feature extraction proposed for this research is to find a stable and maximum gradient. The artificial intelligence used in electronic nose is deep learning because of deep learning's ability to process data signals and handle overlapping data. 3 deep learning methods, namely Fully Connected Deep Network (FCDN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM) were built to detect infectious respiratory diseases using hyperparameter tuning. Five best results from hyperparameter tuning of each deep learninh method became the base model of stacked deep learning. The resulting deep learning and stacked deep learning models are then compared with each other using indicator values which are a trade-off between model accuracy and complexity. The experimental results show that using stacked FCDN, where the base model consists of 5 best models from FCDN, generated the highest indicator value of 80.479 with an accuracy of 0.934 and the number of parameters is 423,014.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deep learning, Deteksi cepat, Electronic nose, Keringat, Penyakit pernafasan menular, Volatile organic compounds, Infectious respiratory disease, Rapid detection, Sweat.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Malikhah Malikhah
Date Deposited:	03 Feb 2022 08:43
Last Modified:	01 Nov 2022 01:02
URI:	http://repository.its.ac.id/id/eprint/92716

Actions (login required)

View Item