KLASIFIKASI PENYAKIT MATA PADA CITRA FUNDUS MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR EFFICIENTNET

ZHAFENI ARIF

Informasi Umum

Kode

23.04.2996

Klasifikasi

621.382 2 - Signal processing, Information theory

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Pengolahan Sinyal Informasi

Dilihat

860 kali

Informasi Lainnya

Abstraksi

<h1><a name="_Toc129622827">ABSTRAK</a></h1>

Mata merupakan salah satu organ vital terpenting yang dimiliki oleh manusia. Maka organ mata perlu dirawat dengan baik. Kesehatan mata memiliki dampak yang begitu signifikan terhadap kualitas hidup manusia seperti, aktivitas fisik, mental, dan kesejahteraan sosial. Gangguan pada mata merupakan penyebab kebutaan yang sering terjadi. Oleh karena itu peneliti ingin mendeteksi gangguan pada mata sebelum terjadinya kebutaan.

Pada penelitian tugas akhir ini dirancang sebuah sistem klasifikasi penyakit mata pada citra fundus. Klasifikasi penyakit mata dibagi menjadi 3 kelas yaitu normal, cataract, dan glaucoma. Dataset citra fundus yang digunakan diperoleh secara online melalui Kaggle yang terdiri dari 601 citra yang terdiri dari “normal” (300 citra), “cataract” (100 citra), “glaucoma” (101 citra), dan “retina disease” (100 citra). Bukan hanya data asli saja yang digunakan tapi, data asli yang telah dilakukan proses augmentasi juga terlibat dalam penelitian ini. Data augmentasi berjumlah 3600 citra fundus yang terdiri dari “normal” (1200 citra), “cataract” (1200 citra), dan “glaucoma” (1200 citra). Dari data ini diolah menjadi 4 dataset yang berbeda, yaitu dataset asli, dataset augmentasi, dataset augmentasi yang telah di preprocessing grayscale, dan ataset augmentasi yang telah di preprocessing thresholding. Masing-masing citra terbagi menjadi 50% data citra sebagai train, 25% sebagai data validasi, dan 25% sebagai data test.

Sistem untuk klasifikasi penyakit mata pada penelitian ini menggunakan CNN dengan arsitektur EfficientNet-B0. Parameter yang mempengaruhi performa sistem berdasarkan pengaruh pre-processing, optimizer, learning rate, dan batch size. Pengujian sistem yang telah dilakukan, didapatkan hasil terbaik menggunakan optimizer Adam, learning rate 0.00001, dan batch size 32, dan iterasi sebanyak 20 epoch. Dataset terbaik yaitu dataset augmentasi yang telah di preprocessing grayscale dengan akurasi sebesar 79,22%, nilai presisi 80,3%, nilai recall 79,22%, F1-Score sebesar 78,87%.

Kata Kunci: Convolutional Neural Network (CNN), EfficientNet, Penyakit Mata.