Perbandingan Pre-trained CNN Model pada Klasifikasi Penyakit Retina Mata

Dore Alvin Hartanto, Theo (2022) Perbandingan Pre-trained CNN Model pada Klasifikasi Penyakit Retina Mata. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (217kB) | Preview
Preview	PDF BAB_I.pdf Download (215kB) | Preview
Preview	PDF BAB_II.pdf Download (1MB) | Preview
Preview	PDF BAB_III.pdf Download (371kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
Preview	PDF BAB_V.pdf Download (205kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Pada era industri 4.0 saat ini, keberadaan kecerdasan buatan semakin diperlukan pada berbagai bidang pekerjaan untuk meningkatan produktivitas dan efisiensi, ter- masuk di bidang medis. Saat ini, masih terdapat bidang medis yang menggunakan cara manual dalam proses diagnosis penyakit yang diderita oleh pasien, seperti di- agnosis penyakit pada retina menggunakan hasil pemindaian Optical Coherence To- mography (OCT). Setiap tahunnya, diperkirakan terdapat sekitar 30 juta peminda- ian OCT yang dilakukan. Namun, proses analisis dan diagnosis hasil pemindaian OCT oleh ophthalmologist memerlukan waktu yang cukup lama sehingga diper- lukan machine learning agar dapat mempersingkat proses diagnosis penyakit pada retina pasien dan mempercepat proses penanganan pasien. Dalam penelitian ini, dilakukan perbandingan beberapa pre-trained model, antara lain EfficientNetB0, ResNet50V2, InceptionV3, dan DenseNet-169. Pada model-model tersebut akan dilakukan fine-tuning dan dilatih dengan dataset gambar hasil pemindaian OCT un- tuk mengklasifikasikan empat kondisi retina, yakni Choroidal Neovascularization (CNV), Diabetic Macular Edema (DME), drusen, serta normal. Model yang sudah dilatih kemudian diuji untuk mengklasifikasikan gambar dataset uji dan hasilnya dievaluasi dengan menggunakan confusion matrix untuk mendapatkan nilai per- forma model (accuracy, recall, precision, f1-score). Terdapat dua skenario yang diujikan pada masing-masing model, yaitu skenario penggunaan batch size sebe- sar 32 dan 64. Nilai batch size menunjukkan jumlah sampel yang diproses dalam sekali latih. Hasil penelitian menunjukkan bahwa model dengan hasil klasifikasi ter- baik pada skenario pengujian batch size 32 adalah model ResNet50V2 dengan nilai accuracy sebesar 98.24%, precision sebesar 98.25%, recall sebesar 98.24%, serta f1-score sebesar 98.24%. Sementara pada skenario pengujian batch size 64, model EfficientNetB0 merupakan model dengan hasil klasifikasi terbaik dengan nilai ac- curacy sebesar 96.59%, precision sebesar 96.84%, recall sebesar 96.59%, serta f1- score sebesar 96.59%. Dengan demikian, dapat disimpulkan bahwa pre-trained CNN model dengan hasil klasifikasi penyakit retina mata terbaik diantara diantara EfficientNetB0, ResNet50V2, InceptionV3, dan DenseNet-169 adalah ResNet50V2 dengan batch size sebesar 32 berdasarkan pertimbangan nilai performa model yang terbaik diantara kedua skenario yang diujikan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Convolutional Neural Network, fine-tuning, klasifikasi, pre-trained model, Optical Coherence Tomography, retina mata
Subjects:	600 Technology (Applied Sciences) > 610 Medicine and Health 600 Technology (Applied Sciences) > 610 Medicine and Health > 614 Forensic Medicine; Incidence of Injuries, Wounds, Disease; Public Preventive Medicine 600 Technology (Applied Sciences) > 610 Medicine and Health > 616 Diseases
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Jul 2022 04:17
Last Modified:	22 Aug 2023 06:09
URI:	https://kc.umn.ac.id/id/eprint/22289

Actions (login required)

View Item