Klasifikasi Citra Mata Katarak dan Mata Normal Menggunakan Arsitektur ResNet50V2

Faidi Rohman, Muhammad (2025) Klasifikasi Citra Mata Katarak dan Mata Normal Menggunakan Arsitektur ResNet50V2. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (2MB)
	PDF BAB_I.pdf Download (222kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (210kB)
	PDF DAFTAR_PUSTAKA.pdf Download (260kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (267kB)
	Archive (ZIP) CREATION_FILE.zip Download (511kB)

Abstract

Katarak merupakan penyebab utama kebutaan di Indonesia, sehingga identifikasi dini menjadi aspek krusial dalam mencegah penurunan fungsi penglihatan yang dapat berujung pada kebutaan permanen. Namun, sebagian masyarakat masih kesulitan membedakan antara mata katarak dan mata normal, bahkan tidak menyadari bahwa mereka telah mengalami gangguan penglihatan akibat katarak. Proses diagnosis konvensional dilakukan melalui pemeriksaan ketajaman penglihatan menggunakan pinhole, serta observasi struktur mata menggunakan slit lamp, fundus fotografi, dan oftalmoskop. Namun, prosedur ini memiliki keterbatasan akses terhadap alat dan tenaga medis. Oleh karena itu, dibutuhkan pendekatan alternatif yang lebih cepat, praktis, dan mudah diakses. Salah satu pendekatan yang berkembang pesat adalah penerapan teknologi deep learning, khususnya Convolutional Neural Network (CNN), yang terbukti efektif dalam klasifikasi citra medis. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi citra mata normal dan katarak menggunakan model pretrained ResNet50V2. Dataset yang digunakan berasal dari platform Kaggle, terdiri atas 306 citra mata katarak dan 306 citra mata normal. Model dilatih menggunakan teknik K-Fold Cross Validation dengan dua fase pelatihan yaitu feature extraction dan fine tune. Hasil feature extraction mendapatkan rata-rata akurasi validasi 94.70%, dan fine tune sebesar 97.56% pada lima lipatan (fold), dengan model terbaik mencapai akurasi 96.69%, precision 98%, recall 95%, dan f1-score 97% pada data uji.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Faidi Rohman, Muhammad (00000061882)
Contributors:	Suryadibrata, Alethea (0322099201)
Keywords:	Katarak, Convolutional Neural Network, klasifikasi, ResNet50V2.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	10 Sep 2025 05:43
URI:	https://kc.umn.ac.id/id/eprint/40465

Actions (login required)

View Item