KLASIFIKASI PENYAKIT DIABETIC RETINOPATHY MENGGUNAKAN MACHINE LEARNING BERBASIS APLIKASI ANDROID - WRAP Entrepreneurship (Capstone)

AHMAD RIDHO MULYADI

Informasi Umum

Kode

23.04.5986

Klasifikasi

621.38 2 - Signal processing, Information theory

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Pengolahan Sinyal Informasi

Dilihat

14 kali

Informasi Lainnya

Abstraksi

Diabetic Retinopathy adalah salah satu penyakit mata yang disebabkan oleh Diabetes Melitus. Diabetic Retinopathy merupakan komplikasi mikrovaskular diabetes yang umum dan spesifik, dan tetap menjadi penyebab utama kebutaan yang dapat dicegah pada orang usia kerja. Penelitian yang dilakukan oleh Soewondo dkk (2010), sebanyak 42% dari 1785 penderita diabetes melitus di Indonesia mengalami komplikasi Diabetic Retinopathy. Sehingga Diabetic Retinopathy menjadi masalah yang serius di Indonesia.

Kami merancang aplikasi Android yaitu DR-Check menggunakan machine learning yang memiliki dasar pendeteksian hasil pemeriksaan mata dengan alat foto fundus untuk mendeteksi secara instan hasil citra fundus terhadap penyakit Diabetic Retinopathy berdasarkan lima tingkatan penyakit tersebut, yaitu NoDR (tanpa Diabetic Retinopathy), MildDR (ringan), ModerateDR (sedang), SevereDR (parah), dan Proliferate_DR (sangat parah). Kami memiliki dua fitur utama yaitu dengan memindai langsung foto citra fundus menggunakan kamera ponsel pintar dan upload foto citra fundus melalui galeri dari ponsel pintar tersebut. Penelitian ini bertujuan untuk membantu tenaga medis menjadi lebih cepat dan akurat dalam mendeteksi gejala-gejala dari penyakit Diabetic Retinopathy tersebut.

Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur EfficienNetV2s. Seluruh dataset yang digunakan merupakan dataset sekunder yang didapatkan dari Aravind Eye Hospital di India yang dan GNU Lesser General Public License yang dapat diunduh melalui website <a href="http://www.kaggle.com">www.kaggle.com</a>. Kami membandingkan kombinasi hyperparameter untuk mendapatkan hasil yang terbaik. Hasil yang terbaik kami dapatkan menggunakan optimizer Adamax, learning rate 0,001, batch size 32, dan epoch 100 dengan hasil akurasi sebesar 80%. Pengujian DR-Check dilakukan dengan dua cara yaitu mengambil gambar secara langsung dan menunggah gambar dari galeri ponsel pintar pengguna. Dari 5 kali percobaan setiap cara, kami mendapatkan hasil 0 prediksi benar untuk cara yang pertama dan 2 prediksi benar untuk cara yang kedua.