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.

Text SKRIPSI Valencia Wirawan SI 13110310023 - Model Klasifikasi Mata Katarak dan Normal.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (9MB)

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:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.3 Artificial Intelligence, Machine Learning, Pattern Recognition, Data Mining 600 Technology (Applied Sciences) > 610 Medicine and Health > 613 Personal Health and Safety
Divisions:	Faculty of Engineering & Informatics > Information System
Depositing User:	Administrator UMN Library
Date Deposited:	21 Jan 2019 08:14
Last Modified:	24 Jan 2023 03:52
URI:	https://kc.umn.ac.id/id/eprint/4581

Actions (login required)

View Item