KLASIFIKASI PENYAKIT MATA PADA CITRA FUNDUS MENGGUNAKAN TRANSFER LEARNING DENGAN FINE TUNING MOBILENETV2

Dhia, Alfinhi Hajid (2024) KLASIFIKASI PENYAKIT MATA PADA CITRA FUNDUS MENGGUNAKAN TRANSFER LEARNING DENGAN FINE TUNING MOBILENETV2. Other thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (169kB)
	Text ABSTRAK.pdf Download (17kB)
	Text DAFTAR ISI.pdf Download (95kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (349kB)
	Text PENGESAHAN PENGUJI.pdf Download (303kB)
	Text DAFTAR PUSTAKA.pdf Download (161kB)
	Text SKRIPSI_FULL_ALFINHI HAJID DHIA.pdf Restricted to Repository staff only Download (3MB)

Abstract

Di era digital, penggunaan citra fundus untuk diagnosis penyakit mata menjadi
semakin penting mengingat meningkatnya kasus gangguan penglihatan secara global,
dengan proyeksi mencapai 1,76 miliar orang pada tahun 2050. Meski demikian, diagnosis
yang akurat masih menjadi tantangan, terutama dalam mendeteksi berbagai kondisi seperti
katarak, glaukoma, dan diabetic retinopathy. Penelitian sebelumnya menggunakan
pendekatan machine learning tradisional seperti Random Forest hanya mencapai akurasi
80%, sementara implementasi transfer learning dengan fine-tuning yang tidak optimal
menghasilkan akurasi terbatas sebesar 72%.
Penelitian ini mengembangkan sistem klasifikasi penyakit mata menggunakan
transfer learning dengan fine-tuning pada arsitektur MobileNetV2. Dataset yang
digunakan terdiri dari 4217 citra fundus yang didapat dari website kaggle mencakup empat
kelas: normal, diabetic retinopathy, glaucoma, dan cataract. Pendekatan metodologis
meliputi preprocessing data melalui resizing dan normalisasi, implementasi grid search
untuk optimasi hyperparameter, serta pengembangan sistem berbasis web menggunakan
framework Streamlit. Proses fine-tuning dilakukan dengan pendekatan dua fase, dimulai
dengan fase warmup yang membekukan seluruh layer pre-trained, dilanjutkan dengan fase
fine-tuning yang membuka layer terakhir untuk penyesuaian.
Hasil penelitian menunjukkan bahwa kombinasi hyperparameter optimal (learning
rate 0,00015, dropout rate 0,1, batch size 32, L2 rate 0,01) menghasilkan performa
klasifikasi yang signifikan dengan akurasi global 93%. Model mencapai rata-rata precision
93%, recall 93%, dan F1-score 93%, dengan performa terbaik pada kelas diabetic
retinopathy (precision 98%, recall 99%). Implementasi dalam sistem berbasis web
memungkinkan klasifikasi real-time dengan visualisasi hasil yang informatif. Penelitian ini
memberikan kontribusi signifikan dalam meningkatkan akurasi diagnosis penyakit mata
menggunakan citra fundus, melampaui performa penelitian sebelumnya dan menawarkan
solusi praktis untuk implementasi klinis.
Kata kunci : Transfer Learning, Fine-tuning, MobileNetV2, Klasifikasi Penyakit Mata, Citra
Fundus

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Transfer Learning, Fine-tuning, MobileNetV2, Klasifikasi Penyakit Mata, Citra Fundus
Subjek:	Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Eko Suprapti
Date Deposited:	30 Jan 2025 03:33
Last Modified:	30 Jan 2025 03:33
URI:	http://eprints.upnyk.ac.id/id/eprint/42124

Actions (login required)

View Item