PENARAPAN ARSITEKTUR EFFICIENTNETV2-S PADA METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT MATA BERDASARKAN CITRA FUNDUS

Wiratama, Mukti (2023) PENARAPAN ARSITEKTUR EFFICIENTNETV2-S PADA METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT MATA BERDASARKAN CITRA FUNDUS. Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK.pdf Download (11kB)
	Text COVER.pdf Download (128kB)
	Text DAFTAR ISI.pdf Download (48kB)
	Text DAFTAR PUSTAKA.pdf Download (78kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (304kB)
	Text SKRIPSI_FULL_Mukti Wiratama_123180066.pdf Restricted to Repository staff only Download (1MB)

Abstract

vi
ABSTRAK
Mata merupakan salah satu panca indera yang sangat penting dalam
keberlangsungan hidup manusia. Apabila mata mengalami gangguan atau penyakit pada
retina, dapat berakibat mengalami kebutaan. Pada tahap awal penyakit retina mata jarang
memiliki gejala yang terlihat jelas, selain itu gambar fundus retina mengandung struktur
kompleks seperti cakram optik, pembuluh darah, makula dan lain-lain. Jika dilakukan
screening manual akan memakan waktu yang lama, dan sulit untuk mendapatkan hasil
diagnosis yang objektif dan akurat. Pemanfaatan image processing dalam melakukan
klasifikasi penyakit dapat membantu para ahli kesehatan untuk memberikan penanganan
secara efektif dan efisien pada penderita penyakit mata. Untuk meningkatkan akurasi dan
kecepatan hasil klasifikasi, penelitian ini menawarkan konsep deep learning yang
digunakan untuk pemrosesan citra digital yaitu Convolutional Neural Network (CNN)
menggunakan arsitektur EfficientNetV2-S untuk klasifikasi penyakit mata.
Penelitian ini menerapkan arsitektur EfficientNetV2-S pada metode Convolutional
Neural Network untuk mengklasifikasikan penyakit mata dari citra fundus. Pada penelitian
ini menguji dua jenis model EfficientNetV2-S dengan hyperparameter berbeda yaitu
EfficientNetV2-S dan EfficientNetV2-S-Redense. Pada model EfficientNetV2-S merupakan
versi dasar yang menerapkan lapisan Global Average Pooling (GAP) sebelum lapisan
output, sedangkan pada model EfficientNetV2-S-Redense menggunakan lapisan Dense
dengan aktivasi ReLU diikuti lapisan Dropout untuk meningkatkan performa dan
mengatasi masalah overfitting. pengujian menghasilkan model terbaik pada model
EfficientNetV2-S-Redense dalam melakukan klasifikasi penyakit mata dengan total data
gambar yang digunakan penelitian ini berjumlah 4.000 citra fundus dengan empat kelas
yaitu Cataract, Diabetic, Glaucoma dan Normal.
Hasil dari pengujian didapatkan bahwa model terbaik untuk melakukan klasifikasi
penyakit mata dari citra fundus pada penelitian ini adalah EfficientNetV2-S-Redense
dengan 20 epoch menghasilkan akurasi training 93.47% dan akurasi testing sebesar
92.75%. Setelah dievaluasi menggunakan confusion matrix, mendapatkan nilai recall
92.75%, precission 93.25%, dan f1-score 93.25%. Hasil menunjukan bahwa Arsitektur
EfficientNetV2-S dapat melakukan klasifikasi penyakit mata dengan baik menggunakan
bantuan lapisan Redense dan Dropout.
Kata kunci: EfficientNetV2, Penyakit Mata, Convolutional Neural Network.
vii
ABSTRACT
The eye is one of the five senses which is very important in human survival. If the
eye has a disorder or disease in the retina, it can result in blindness. In the early stages of
retinal disease, the eye rarely has obvious symptoms, in addition, retinal fundus images
contain complex structures such as the optic disc, blood vessels, macula and others. If
manual screening is done, it will take a long time, and it is difficult to get an objective and
accurate diagnosis. Utilization of image processing in classifying diseases can help
medical expert managers to provide effective and efficient treatment for people with eye
diseases. To increase the accuracy and speed of classification results, this study offers a
deep learning concept that is used for digital image processing, namely the Convolutional
Neural Network (CNN) using the EfficientNetV2-S architecture for the classification of eye
diseases.
This research applies the EfficientNetV2-S architecture to the Convolutional
Neural Network method to classify eye disease from fundus images. In this study tested two
types of EfficientNetV2-S models with different hyperparameters, namely EfficientNetV2-S
and EfficientNetV2-S-Redense. The EfficientNetV2-S model is the basic version that
applies a Global Average Pooling (GAP) layer before the output layer, while the
EfficientNetV2-S-Redense model uses a Dense layer with ReLU activation followed by a
Dropout layer to improve performance and overcome overfitting problems. the test
produced the best model in the EfficientNetV2-S-Redense model in classifying eye diseases
with a total of 4,000 fundus image data used in this study, namely Cataract, Diabetic,
Glaucoma and Normal.
The results of the test found that the best model for classifying eye disease from
fundus images in this study was EfficientNetV2-S-Redense with 20 epochs resulting in a
training accuracy of 93.47% and a testing accuracy of 92.75%. After being evaluated
using the confusion matrix, obtaining a recall 92.75%, precission 93.25%, and f1-score
93.00%. The results show that the EfficientNetV2-S Architecture can classify eye diseases
properly using the help of the Redense and Dropout layers.
Keywords: EfficientNetV2, Eye Disease, Convolutional Neural Network.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	EfficientNetV2, Eye Disease, Convolutional Neural Network.
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	18 Aug 2023 02:33
Last Modified:	18 Aug 2023 02:33
URI:	http://eprints.upnyk.ac.id/id/eprint/36954

Actions (login required)

View Item