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 mata dan kebutaan merupakan kondisi yang disebabkan oleh kekeruhan pada lensa mata yang disebut katarak. Perkembangan teknologi dibidang pengolahan citra memungkinkan pendeteksian gangguan pada mata melalui citra digital mata. Kini telah banyak penelitian pada citra medis telah diadopsi oleh sebagian besar ilmuwan dan dokter yang dapat membantu dalam mendeteksi gangguan pada mata terutama katarak. Namun, umumnya penelitian tersebut menggunakan citra medis atau digital yang relatif mahal dan sulit didapatkan oleh sebagian besar orang, terutama masyarakat di negara berkembang, dan metode yang rentan terkena translasi (pergeseran), serta perubahan ukuran gambar dan bentuk objek. Oleh karena itu, perlu penelitian lebih lanjut menggunakan citra digital dengan format yang lebih umum seperti JPEG dan metode yang lebih kebalakan translasi dan perubahan ukuran, serta mampu bekerja dengan baik menggunakan citra digital dalam kondisi bebas. Data diolah menggunakan tiga macam metode yaitu Convolutional Neural Network, histogram, dan Support Vector Machine. Data citra digital yang digunakan memiliki dua kategori kondisi yaitu bebas dan ideal. Jumlah data yang terlalu sedikit menyebabkan Convolutional Neural Network tidak terlatih dengan baik. Oleh karena itu, dibangun model klasifikasi menggunakan metode histogram dan SVM yang dapat bekerja dengan baik menggunakan jumlah data yang kecil. Akurasi klasifikasi menggunakan histogram mencapai 79.03% dan SVM mencapai 90.63% menggunakan data citra digital dalam kondisi bebas. Penggunaan citra digital dalam kondisi idea dapat memaksimalkan tingkat akurasi masing-masing model hingga 88.47% dan 97.08%. SVM memiliki performa paling baik karena kemampuannya mengekstrak fitur spasial yang membuat hasil klasifikasi semakin akurat. Kemampuan klasifikasi SVM juga merupakan yang tercepat. SVM hanya membutuhkan waktu sekitar 5.25 milidetik, sedangkan histogram membutuhkan sekitar 82 milidetik dan CNN membutuhkan sekitar 0.96 detik untuk melakukan klasifikasi sebuah citra digital.

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:	27 Feb 2025 04:06
URI:	https://kc.umn.ac.id/id/eprint/4581

Actions (login required)

View Item