Pengembangan Deteksi Retinopati Diabetik Menggunakan Metode Deep Learning dan Filter Gabor

Richardy Kurniawan, Adrian (2024) Pengembangan Deteksi Retinopati Diabetik Menggunakan Metode Deep Learning dan Filter Gabor. MBKM thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (2MB)
	PDF BAB_I.pdf Download (2MB)
	PDF BAB_II.pdf Download (3MB)
	PDF BAB_III.pdf Download (2MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Download (2MB)
	PDF DAFTAR_PUSTAKA.pdf Download (2MB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (4MB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (51kB)

Abstract

Diabetes retinopati adalah sebuah penyakit kronis yang disebabkan oleh sebuah kondisi dimana kadar gula darah dalam tubuh manusia melebihi batas normal. Diabetes retinopati juga menjadi salah satu dampak jika diabetes melitus tidak ditangani dengan cepat. Untuk mengatasi hal ini salah satu cara yang dapat digunakan adalah deteksi diabetes retinopati lebih dini dapat menggunakan bantuan deep learning yang memang sudah sering digunakan untuk membantu tugas manusia dalam melakukan prediksi, klasifikasi, segmentasi, deteksi, dan lain-lain. Penelitian ini berhasil membangun dua model dengan algoritma berbeda yakni CNN dan ConvNeXt dengan penggunaan pra-pemrosesan Gabor dan oversampling dan diuji menggunakan dataset APTOS dengan jumlah 3662 data gambar dengan 5 kelas yakni No_DR, Mild, Moderate, Severe, dan Proliferate_DR yang mendapat accuracy 76% untuk CNN dan accuracy 85,8% untuk ConvNeXt. Penelitian ini diharapkan dapat menjadi sebuah solusi yang akurat dan efektif dalam mendeteksi diabetes retinopati sehingga angka penderita diabetes retinopati tidak bertambah di masa depan. Penelitian ini juga menghasilkan luaran berupa artikel jurnal yang di-submit ke ECTI-CIT.

Item Type:	Thesis (MBKM)
Keywords:	APTOS, CNN, ConvNeXt, deep learning, diabetes retinopati.
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	07 Nov 2024 06:44
Last Modified:	07 Nov 2024 06:44
URI:	https://kc.umn.ac.id/id/eprint/32597

Actions (login required)

View Item