Deteksi Otomatis Penyakit Mata Anterior pada Citra Non-Fundus Menggunakan YOLOv12 Berbasis Attention dan Explainable AI

⭐ Oktaviani, Nurfajriah (2026) Deteksi Otomatis Penyakit Mata Anterior pada Citra Non-Fundus Menggunakan YOLOv12 Berbasis Attention dan Explainable AI. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (911kB)
	PDF BAB_I.pdf Download (181kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (362kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (142kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (425kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (911kB)
	Archive (ZIP) 00000068637_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Peningkatan prevalensi gangguan penglihatan secara global menunjukkan pentingnya pengembangan sistem deteksi dini yang akurat dan efisien. Berdasarkan laporan World Health Organization (WHO), sekitar 2,2 miliar orang di dunia mengalami gangguan penglihatan dan lebih dari 1 miliar kasus sebenarnya dapat dicegah atau belum tertangani secara optimal. Penyakit mata anterior seperti konjungtivitis, katarak, uveitis, dan kelainan kelopak mata berpotensi menurunkan kualitas penglihatan apabila tidak dideteksi sejak dini. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis penyakit mata anterior berbasis YOLOV12 pada citra non-fundus serta membandingkan performa mekanisme Attention CBAM (Convolutional Block Attention Module) dan ECA (Efficient Channel Attention). Penelitian dilakukan menggunakan metodologi CRISP-DM yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Evaluasi model dilakukan menggunakan test set murni dengan metrik precision, recall, F1-score, mean Average Precision (mAP50 dan mAP50-95), serta didukung pendekatan Explainable Artificial Intelligence (XAI) menggunakan Grad-CAM untuk meningkatkan interpretabilitas hasil deteksi. Hasil penelitian menunjukkan bahwa model YOLOv12-CBAM memberikan performa terbaik dengan nilai mAP50 sebesar 0,6401, mAP50-95 sebesar 0,5561, precision sebesar 0,7157, recall sebesar 0,5925, dan F1-score sebesar 0,6483, lebih baik dibandingkan model YOLOv12-ECA pada dataset yang sama. Model juga mampu melakukan inferensi secara real-time dengan kecepatan sekitar 4,5 ms per citra dan berhasil diimplementasikan pada Virtual Private Server (VPS) melalui REST API yang terintegrasi dengan aplikasi Flutter. Dengan demikian, integrasi CBAM pada arsitektur YOLOv12 terbukti meningkatkan performa deteksi penyakit mata anterior sekaligus menghasilkan model yang lebih interpretatif dan berpotensi mendukung proses skrining awal secara efisien.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Oktaviani, Nurfajriah (00000068637)
Contributors:	Fernando, Erick
Keywords:	CRISP-DM, Explainable Artificial Intelligence, object detection, YOLOV12, YOLOV12-CBAM
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	22 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47847

Actions (login required)

View Item