UMN Knowledge Center

Model klasifikasi mata katarak dan normal menggunakan cnn, histogram, dan support vector machine

Wirawan, Valencia (2017) Model klasifikasi mata katarak dan normal menggunakan cnn, histogram, dan support vector machine. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img]
Preview
Text
SKRIPSI Valencia Wirawan SI 13110310023 - Model Klasifikasi Mata Katarak dan Normal.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (9MB) | Preview

Abstract

Gangguan matadankebutaanmerupakankondisiyangdisebabkanolehke- keruhanpadalensamatayangdisebutkatarak.Perkembanganteknologidibidang pengolahan citramemungkinkanpendeteksiangangguanpadamatamelaluicitradi- gital mata.Kinitelahbanyakpenelitianpadacitramedistelahdiadopsiolehsebagian besar ilmuwandandokteryangdapatmembantudalammendeteksigangguanpada mata terutamakatarak.Namun,umumnyapenelitiantersebutmenggunakancitra medis ataudigitalyangrelatifmahaldansulitdidapatkanolehsebagianbesarorang, terutama masyarakatdinegaraberkembang,danmetodeyangrentanakantranslasi (pergeseran),sertaperubahanukurangambardanbentukobjek.Olehkarenaitu, perlu penelitianlebihlanjutmenggunakancitradigitaldenganformatyanglebih umum sepertiJPEGdanmetodeyanglebihkebalakantranslasidanperubahan ukuran, sertamampubekerjadenganbaikmenggunakancitradigitaldalamkondisi bebas. Data diolahmenggunakantigamacammetodeyaitu ConvolutionalNeural Network, histogram, dan Support VectorMachine. Datacitradigitalyangdigunakan memiliki duakategorikondisiyaitubebasdanideal.Jumlahdatayangterlalusedikit menyebabkan ConvolutionalNeuralNetwork tidak terlatihdenganbaik.Olehkarena itu, dibangunmodelklasifikasimenggunakanmetode histogram dan SVMyang dapat bekerjadenganbaikmenggunakanjumlahdatayangkecil. Akurasi klasifikasimenggunakan histogram mencapai 79.03%danSVMmen- capai 90.63%menggunakandatacitradigitaldalamkondisibebas.Penggunaancitra digital dalamkondisiidealdapatmemaksimalkantingkatakurasimasing-masing model hingga88.47%dan97.08%.SVMmemilikiperformapalingbaikkarena kemampuannyamengekstrakfiturspasialyangmembuathasilklasifikasisemakin akurat. KemampuanklasifikasiSVMjugamerupakanyangtercepat.SVMhanya membutuhkanwaktusekitar5.25milidetik,sedangkan histogram membutuhkan sekitar 82milidetikdanCNNmembutuhkansekitar0.96detikuntukmelakukan klasifikasi sebuahcitradigital.

Item Type: Thesis (Bachelor Thesis)
Subjects: T Technology
T Technology > T Technology (General) > T55 Industrial engineering. Management engineering
T Technology > T Technology (General) > T55 Industrial engineering. Management engineering > T59.7-59.77 Human engineering in industry. Man-machine systems
Divisions: Fakultas Teknik Informatika > Program Studi Sistem Informasi
Depositing User: mr admin umn
Date Deposited: 21 Jan 2019 08:14
Last Modified: 21 Jan 2019 08:14
URI: http://kc.umn.ac.id/id/eprint/4581

Actions (login required)

View Item View Item