SISTEM DETEKSI PENYAKIT MATA KATARAK DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

ARDANA, ALYSIA VANIA PUTRI and Rini, Dian Palupi and Rachmatullah, Muhammad Naufal (2024) SISTEM DETEKSI PENYAKIT MATA KATARAK DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN). Undergraduate thesis, Sriwijaya University.

	Image RAMA_55201_09021381924108_cover.jpg - Cover Image Available under License Creative Commons Public Domain Dedication. Download (228kB)
	Text RAMA_55201_09021381924108.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text RAMA_55201_09021381924108_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (6MB) | Request a copy
	Text RAMA_55201_09021381924108_0023027804_0001129204_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text RAMA_55201_09021381924108_0023027804_0001129204_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (557kB) | Request a copy
	Text RAMA_55201_09021381924108_0023027804_0001129204_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (463kB) | Request a copy
	Text RAMA_55201_09021381924108_0023027804_0001129204_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (930kB) | Request a copy
	Text RAMA_55201_09021381924108_0023027804_0001129204_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (618kB) | Request a copy
	Text RAMA_55201_09021381924108_0023027804_0001129204_06.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (277kB) | Request a copy
	Text RAMA_55201_09021381924108_0023027804_0001129204_07_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (411kB) | Request a copy
	Text RAMA_55201_09021381924108_0023027804_0001129204_08_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (276kB) | Request a copy

Abstract

Penyakit mata katarak merupakan salah satu penyebab utama kebutaan di dunia. Terbatasnya pengetahuan dan kewaspadaan masyarakat terkait penyakit ini, mengakibatkan semakin tingginya tingkat pengidap gangguan pengelihatan. Tujuan dari penelitian ini adalah untuk membangun sistem yang dapat mendeteksi penyakit mata katarak menggunakan Convolutional Neural Network (CNN). Diharapkan sistem ini dapat membantu memudahkan proses diagnosis dini penyakit mata katarak untuk masyarakat yang mengalami gangguan pengelihatan. Penelitian ini menggunakan perbandingan dua arsitektur CNN yaitu Alexnet dan Resnet, dan diterapkan tuning hyperparameter untuk mendapatkan nilai parameter yang lebih optimal. Data masukan yang digunakan dalam penelitian ini merupakan data sekunder yang berjumlah total 1000 citra, terbagi atas 500 citra katarak dan 500 citra normal, dan data citra tersebut telah melalui pra-pengolahan resize sebelumnya. Pengujian terhadap kedua model arsitektur Alexnet dan Resnet-50 dibagi menjadi dua skenario yaitu, pengujian dengan 50 epoch dan 100 epoch. Hasil evaluasi akhir menunjukkan bahwa model perangkat lunak Resnet-50 dengan 100 epoch memiliki performa terbaik, dengan nilai akurasi sebesar 95%, precision 1, recall 0.90 dan f1-score 0.95.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	CNN, Penyakit Katarak, Alexnet, Resnet-50
Subjects:	T Technology > T Technology (General) > T1-995 Technology (General)
Divisions:	09-Faculty of Computer Science > 55201-Informatics (S1)
Depositing User:	Alysia Vania Putri Ardana
Date Deposited:	10 Sep 2024 01:37
Last Modified:	10 Sep 2024 01:37
URI:	http://repository.unsri.ac.id/id/eprint/156794

Actions (login required)

View Item