SKRIPSI DIGITAL
Sistem Klasifikasi Golongan Darah Non-Invasive Berdasarkan Sidik Jari Berbasis Website Menggunakan Deep Learning = Web-Based Non-Invasive Blood Type Classification System Using Fingerprint and Deep Learning Model
Golongan darah merupakan informasi penting dalam bidang medis, terutama untuk keperluan transfusi dan penanganan pasien darurat. Metode konvensional seperti uji serologi dan aglutinasi, meskipun akurat, bersifat invasif, memerlukan waktu yang lama, serta membutuhkan tenaga medis dan peralatan khusus. Sebagai alternatif non-invasif, penelitian ini mengeksplorasi korelasi antara pola sidik jari (dermatoglyphics) dan golongan darah, yang telah didukung oleh beberapa studi statistik. Dengan memanfaatkan pendekatan deep learning berbasis Convolutional Neural Networks (CNN), dikembangkan sebuah sistem berbasis web untuk mengklasifikasikan golongan darah dari citra sidik jari. Penelitian ini mengevaluasi lima arsitektur CNN yaitu MobileNetV2, NasNetMobile, VGG16, EfficientNetB3, dan ResNet50 untuk memprediksi golongan darah berdasarkan citra sidik jari. Berdasarkan F1-score sebagai metrik evaluasi utama, VGG16 secara konsisten menunjukkan performa terbaik dan paling seimbang pada semua kelas golongan darah, termasuk golongan minoritas seperti AB dan B, dengan rata-rata F1-score sebesar 98.75%. Performa ini dikaitkan dengan kedalaman jaringan dan stabilitas pelatihannya, yang memungkinkan ekstraksi fitur sidik jari yang relevan dengan golongan darah secara efektif. Sistem yang diusulkan ini menawarkan solusi praktis, cepat, dan mudah diakses untuk prediksi golongan darah secara non-invasif, khususnya pada situasi darurat dan di daerah dengan sumber daya terbatas.
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah