TA : Klasifikasi Fundus Diabetic Retinopathy Menggunakan Deep Learning

Afkariansyah, Gusti Rafi (2022) TA : Klasifikasi Fundus Diabetic Retinopathy Menggunakan Deep Learning. Undergraduate thesis, Universitas Dinamika.

Preview	Text 1841020008-2022-UNIVERSITASDINAMIKA.pdf - Accepted Version Download (1MB) | Preview
	Text 1841020008-2022-LAMPIRAN.pdf - Accepted Version Restricted to Repository staff only Download (1MB)

Search this title on : |

Abstract

Diabetic Retinopathy adalah salah satu penyakit yang terjadi pada seseorang yang menderita penyakit diabetes, penyakit ini menimbulkan kerusakan pada mata penderita, yang apabila tidak ditangani sejak dini akan mengakibatkan kebutaan. Penelitian sebelumnya yang dilakukan oleh Dinda Ulima R.Y., meneliti Diabetic Retinopathy dengan mengklasifikasi tingkat keparahan dari NPDR (Non-Poliferative Diabetic Retinopathy) yang dibagi menjadi 2 tingkatan yaitu moderate (sedang) dan severe (parah). Penelitian ini mengklasifikasi tingkat keparahan pada NPDR berdasarakan hard exudate menggunakan ELM (Extreme Learning Machine), input yang digunakan citra fundus retina adalah yang memiliki exudate dan teridentifikasi moderate NPDR atau severe NPDR. Terdapat lima model arsistektur pre-trained model yang berbeda antara satu dengan yang lain yang akan digunakan. Pada Tugas Akhir ini, dirancang sebuah program menggunakan deep learning untuk mengklasifikasi fundus mata diabetic retinopathy dengan model arsitektur VGG-16, VGG-19, ResNet-101, ResNet-50 serta model arsitektur Inception. Dengan adanya variasi dari pre-trained model yang diggunakan, dapat ditentukan sebuah model yang memiliki akurasi dan tingkat komputasi terbaik, sehingga dapat menghasilkan prediksi yang lebih akurat. Dari hasil pengujian 5 model pre-trained network, terdapat satu model yang paling efektif yaitu Inception. Hasil pengujian menunjukkan bahwa seluruh 5 Pre-trained model network yang digunakan dapat berjalan dengan baik dan lancar. Hasil training dari arsitektur Inception V3 menghasilkan nilai akurasi paling tinggi dibandingkan dengan empat arsitektur lainnya, dengan memberikan hasil akurasi hingga 75.61% pada epochs ke 20. Dengan total waktu komputasi selama 13.300 detik.

Export Record

ASCII Citation Atom BibTeX Dublin Core EP3 XML EndNote HTML Citation JSON METS MODS MPEG-21 DIDL OpenURL ContextObject OpenURL ContextObject in Span RDF+N-Triples RDF+N3 RDF+XML Refer Reference Manager Simple Metadata

Download Statistics

Downloads over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

View more statistics

Actions (login required)

View Item