DETEKSI ABNORMALITAS PERGERAKAN SPERMA DENGAN LSTM (LONG SHORT-TERM MEMORY) DAN MENGGUNAKAN OPTIMASI SGD (STOCHASTIC GRADIENT DESCENT)

Asy'ari, Vaizal (2025) DETEKSI ABNORMALITAS PERGERAKAN SPERMA DENGAN LSTM (LONG SHORT-TERM MEMORY) DAN MENGGUNAKAN OPTIMASI SGD (STOCHASTIC GRADIENT DESCENT). Masters thesis, Universitas Pembangunan Nasional "Veteran" Jawa Timur.

	Text (Cover) organized (42).pdf Download (1MB)
	Text (Bab 1) Bab I.pdf Download (271kB)
	Text (Bab 2) Bab II.pdf Restricted to Repository staff only until 13 August 2027. Download (508kB)
	Text (Bab 3) Bab III.pdf Restricted to Repository staff only until 13 August 2027. Download (377kB)
	Text (Bab 4) Bab IV.pdf Restricted to Repository staff only until 13 August 2027. Download (1MB)
	Text (Bab 5) Bab V.pdf Download (251kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf Download (200kB)
	Text (Lampiran) Lampiran.pdf Restricted to Repository staff only until 13 August 2027. Download (226kB)

Abstract

Infertilitas adalah masalah kesehatan yang signifikan dan memengaruhi banyak pasangan di seluruh dunia, dengan abnormalitas motilitas sperma sebagai salah satu penyebab utama. Motilitas sperma yang abnormal dapat menghambat proses pembuahan, sehingga analisis terhadap pergerakan sperma menjadi penting dalam penilaian kualitas sperma dan diagnosis infertilitas. Oleh karena itu, dibutuhkan sistem otomatis yang dapat menganalisis data pergerakan sperma secara akurat dan efisien. Penelitian ini bertujuan untuk mengembangkan sebuah model pembelajaran mesin yang mampu mendeteksi dan mengklasifikasikan abnormalitas motilitas sperma secara otomatis. Penelitian ini mengakuisisi data spermatozoa menggunakan video mikroskopik dan memanfaatkan library Trackpy untuk pelacakan spermatozoa. Pengklasifikasian abnormalitas spermatozoa dilakukan menggunakan algoritma Long Short-Term Memory (LSTM) yang dioptimalkan dengan Stochastic Gradient Descent (SGD) dalam tiga varian, yaitu Aggressive SGD, Momentum Standard, dan Nesterov. Evaluasi performa dilakukan berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penggunaan Aggressive SGD memberikan hasil terbaik dengan akurasi mencapai 93%, sedangkan varian lain cenderung stagnan pada akurasi lebih rendah. Hasil penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan sistem otomatis yang lebih akurat dalam deteksi abnormalitas motilitas sperma, serta menjadi dasar bagi penelitian lebih lanjut dalam penerapan metode pembelajaran mesin pada analisis motilitas sperma.

Item Type:

Thesis (Masters)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Rahajoe, Rr. Ani Dijah	19730512 200501 2003	anidijah.if@upnjatim.ac.id
Thesis advisor	Diyasa, I Gede Susrama Mas	19700619 2021211 009	igsusrama.if@upnjatim.ac.id

Subjects:

Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76.6 Computer Programming
Q Science > QA Mathematics > QA76.87 Neural computers
T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Magister Information Technology

Depositing User:

Vaizal Asy'ari

Date Deposited:

13 Aug 2025 08:37

Last Modified:

14 Aug 2025 01:39

URI:

https://repository.upnjatim.ac.id/id/eprint/41666