PENERAPAN ARSITEKTUR XCEPTION DAN HYPERPARAMETER UNTUK MENEMUKAN MODEL TERBAIK DALAM DIAGNOSIS PENYAKIT RETINOPATI DIABETIK

Mukti, Jephthah Heran Jati Wijoyo (2024) PENERAPAN ARSITEKTUR XCEPTION DAN HYPERPARAMETER UNTUK MENEMUKAN MODEL TERBAIK DALAM DIAGNOSIS PENYAKIT RETINOPATI DIABETIK. Diploma thesis, UPN Veteran Yogyakarta.

	Text Cover Skripsi_123180071_Jephthah Heran Jati Wijoyo Mukti.pdf Download (281kB)
	Text Abstrak Skripsi_123180071_Jephthah Heran Jati Wijoyo Mukti.pdf Download (55kB)
	Text Lembar Pengesahan Skripsi_123180071_Jephthah Heran Jati Wijoyo Mukti.pdf Download (737kB)
	Text Daftar Isi Skripsi_123180071_Jephthah Heran Jati Wijoyo Mukti.pdf Download (120kB)
	Text Daftar Pustaka Skripsi_123180071_Jephthah Heran Jati Wijoyo Mukti.pdf Download (180kB)
	Text Fulltext Skripsi_123180071_Jephthah Heran Jati Wijoyo Mukti.pdf Restricted to Repository staff only Download (4MB)

Abstract

Mata adalah organ tubuh manusia yang berfungsi sebagai indera penglihatan utama.
Salah satu penyakit yang menyerang mata adalah penyakit Diabetic Retinopathy atau
diabetik retinopati yang salah satu akibat dari komplikasi penyakit diabetes melitus, jika
dibiarkan terlalu lama dapat mengakibatkan kebutaan. Dokter spesialis mata melakukan
pengelompokan terhadap ciri-ciri tersebut dengan melakukan pengamatan pada citra retina
mata yang diambil dengan menggunakan kamera fundus. Cara tersebut kurang efektif
dikarenakan ada kemungkinan tidak adanya dokter spesialis dalam waktu tertentu sehingga
dapat memungkinkan terjadinya kesalahan dalam melakukan suatu pengamatan tersebut.
Salah satu metode yang dapat digunakan dalam melakukan klasifikasi yaitu menggunakan
metode Convolutional Neural Network (CNN).
Dengan menggunakan metode Convolutional Neural Network (CNN) penyakit
mata dapat diklasifikasikan tingkat keparahan penyakitnya. Pada penelitian ini
menggunakan Convolutional Neural Network (CNN) arsitektur Xception dengan
menggunakan software google collab untuk deteksi. Dengan data yang diklasifikasikan ada
3 kelas yang berupa Mata Sehat, Mild Diabetic Retinopathy, dan Moderate Diabetic
Retinopathy. Adapun parameter yang akan penulis gunakan yaitu model CNN non arsitektur,
model CNN arsitektur Xception, jumlah epoch, dan optimizer. Dengan adanya penelitian ini
diharapkan dapat membantu untuk mempermudah pengklasifikasian tingkat keparahan
penyakit Diabetic Retinopathy serta dapat membuktikan bahwa Xception mampu
meningkatkan akurasi yang didapat sehingga di penelitian selanjutnya Xception dapat
menjadi pilihan arsitektur yang dipakai untuk melakukan klasifikasi.
Hasil pengujian dari model yang paling optimal yaitu percobaan model ke-7 dengan
15 epoch dilakukan evaluasi menggunakan confusion matrix. Hasilnya mendapatkan nilai
recall sebesar 93,3%, nilai precision sebesar 93,3%, dan nilai f1-score sebesar 93.2%.
Berdasarkan hasil pengujian tersebut, penerapan arsitektur Xception pada metode
Convolutional Neural Network (CNN) dapat dikatakan baik dalam mengklasifikasikan
tingkat keparahan penyakit Diabetik Retinopati, sehingga dapat menghasilkan akurasi yang
optimal. Hasil pengujian menggunakan data aktual dari kaggle dan data yang didapat dari
google pada penelitian ini menunjukkan bahwa data aktual dari kaggle dengan resolusi tinggi
yang baik mendapatkan hasil yang baik, sedangkan untuk data yang diambil dari google
mendapatkan hasil yang kurang baik dikarenakan terdapat beberapa gambar yang jenis bola
matanya agak sedikit oval/lonjong. Pada pengujian menggunakan rotasi 90° menunjukkan
hasil yang kurang optimal dikarenakan tingkat keparahan penyakit Diabetik Retinopati tidak
dapat terdeteksi dengan baik. Sedangkan untuk pengujian menggunakan tanpa rotasi ataupun
rotasi 180° menunjukkan hasil yang optimal dikarenakan tingkat keparahan penykit Diabetik
Retinopati dapat terdeteksi dengan baik.

Kata kunci: Pengolahan citra, Convolutional Neural Network, CNN, Xception, Diabetic Retinopathy

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Pengolahan citra, Convolutional Neural Network, CNN, Xception, Diabetic Retinopathy
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	16 Aug 2024 06:41
Last Modified:	16 Aug 2024 06:41
URI:	http://eprints.upnyk.ac.id/id/eprint/40723

Actions (login required)

View Item