IMPLEMENTASI TRANSFER LEARNING DALAM KLASIFIKASI KATARAK PADA CITRA FUNDUS RETINA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR VGG19

Astuti, Niken Riri Dwi (2024) IMPLEMENTASI TRANSFER LEARNING DALAM KLASIFIKASI KATARAK PADA CITRA FUNDUS RETINA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR VGG19. Diploma thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (225kB)
	Text SKRIPSI_FULL_NIKEN RIRI DWI ASTUTI.pdf Restricted to Repository staff only Download (6MB)
	Text ABSTRAK.pdf Download (225kB)
	Text COVER.pdf Download (184kB)
	Text DAFTAR ISI.pdf Download (290kB)
	Text DAFTAR PUSTAKA.pdf Download (249kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (82kB)
	Text PENGESAHAN PENGUJI.pdf Download (87kB)

Abstract

Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural
Network (CNN) menggunakan arsitektur VGG19 untuk mengklasifikasikan katarak pada
citra fundus retina. Katarak merupakan gangguan pada lensa mata yang menyebabkan
penglihatan kabur, sehingga diperlukan sistem yang lebih canggih dan memberikan akurasi
yang tinggi sehingga dapat membantu mediagnosa penyakit katarak tersebut. Penelitian ini
diharapkan dapat meningkatkan efisiensi diagnosis katarak di bidang medis, terutama di
daerah yang kekurangan akses layanan kesehatan. Data yang digunakan dalam penelitian ini
merupakan citra fundus retina yang diolah melalui tahap pra-pemrosesan sebelum dilakukan
klasifikasi menggunakan CNN.
Metode penelitian ini terdiri dari beberapa tahapan, mulai dari pengumpulan data
citra fundus retina, pra-pemrosesan untuk meningkatkan kualitas gambar, hingga proses
klasifikasi dengan menggunakan model CNN arsitektur VGG19. Model CNN yang
digunakan dilatih menggunakan dataset yang telah diolah untuk mendeteksi adanya katarak
pada mata. Selain itu, dilakukan evaluasi model untuk menentukan hyperparameter terbaik
dalam meningkatkan akurasi deteksi katarak.
Penelitian menunjukkan bahwa kombinasi hyperparameter yang optimal memiliki
pengaruh besar terhadap akurasi model. Kombinasi terbaik ditemukan pada penggunaan
optimizer RMSprop, batch size 32, learning rate 0,001, dan epoch 30. Dengan kombinasi
ini, model CNN mampu mencapai akurasi sebesar 94%. Proses pengujian dilakukan dengan
menggunakan 10 citra fundus retina baru, dimana model berhasil mengklasifikasikan
sebagian besar citra dengan tepat.
Kata kunci: Mata, Katarak, Convolutional Neural Network (CNN), VGG19,
hyperparameter

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Mata, Katarak, Convolutional Neural Network (CNN), VGG19, hyperparameter
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	01 Oct 2024 02:53
Last Modified:	01 Oct 2024 02:53
URI:	http://eprints.upnyk.ac.id/id/eprint/41365

Actions (login required)

View Item