IDENTIFIKASI PENYAKIT MATA BERDASARKAN CITRA FUNDUS MENGGUNAKAN ARSITEKTUR PRETRAINED CONVOLUTIONAL NEURAL NETWORK (CNN)

Shabira, Yassar Muwwafaq Malyan (2025) IDENTIFIKASI PENYAKIT MATA BERDASARKAN CITRA FUNDUS MENGGUNAKAN ARSITEKTUR PRETRAINED CONVOLUTIONAL NEURAL NETWORK (CNN). S1 thesis, Universitas Jambi.

	Text COVER.pdf Download (142kB)
	Text HALAMAN PENGESAHAN.pdf Download (518kB)
	Text ABSTRAK.pdf Download (134kB)
	Text BAB I.pdf Download (245kB)
	Text BAB V.pdf Download (181kB)
	Text DAFTAR PUSTAKA.pdf Download (181kB)
	Text Skripsi_Full_Yassar Muwwafaq Malyan Shabira_F1E121176.pdf Restricted to Repository staff only Download (6MB)

Abstract

Gangguan penglihatan adalah masalah kesehatan global yang berdampak signifikan pada kualitas hidup seseorang. Katarak, glaukoma, dan retinopati diabetik merupakan gangguan penglihatan yang dapat berkembang menjadi kebutaan jika tidak ditangani dengan tepat. Proses diagnosis gangguan tersebut masih sangat bergantung pada keahlian dokter mata, yang berpotensi menimbulkan variasi interpretasi dan risiko kesalahan diagnosis. Untuk mengatasi keterbatasan ini, penelitian ini mengembangkan model klasifikasi otomatis penyakit mata berdasarkan citra fundus dengan pendekatan deep learning, menggunakan arsitektur Convolutional Neural Network (CNN) yang telah dilatih sebelumnya, yaitu MobileNetV3-Large, ResNet-50, dan VGG16. Dataset yang digunakan diperoleh dari situs web Kaggle, terdiri atas 1.074 gambar fundus normal, 1.038 gambar fundus katarak, 1.007 gambar fundus glaukoma, dan 1.098 gambar fundus retinopati diabetik. Proses pemrosesan gambar menggunakan Gaussian blur dan CLAHE untuk meningkatkan kualitas gambar. Model dilatih dengan optimizer Adamax menggunakan tiga variasi epoch, dan pelatihan ulang dengan membuka lima lapisan terakhir setiap model. Di antara model-model, VGG16 yang dilatih hingga 50 epoch dengan lima lapisan terakhir yang tidak dibekukan menjadi model dengan performa terbaik, dengan akurasi pelatihan 97,54%, akurasi validasi 91,06%, dan presisi, recall, dan F1-score masing-masing mencapai 93%. Ketika diuji melalui website menggunakan 43 gambar fundus dari Klinik Mata Kambang, model berhasil memprediksi 31 gambar dengan benar, mencapai akurasi 72,09%.

Type:	Thesis (S1)
Uncontrolled Keywords:	Katarak; Glaukoma; Retinopati Diabetik; Fundus; Convolutional Neural Network; MobileNetV3-Large; ResNet-50; VGG16;
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Sains dan Teknologi > Sistem Informasi
Depositing User:	YASSAR MUWWAFAQ MALYAN SHABIRA
Date Deposited:	02 Jul 2025 07:05
Last Modified:	02 Jul 2025 07:05
URI:	https://repository.unja.ac.id/id/eprint/80875

Actions (login required)

View Item