PENDETEKSIAN PENYAKIT DIABETIC RETINOPHATY MELALUI CITRA FUNDUS MENGGUNAKAN MODEL CNN INCEPTIONRESNET-V2

Renata Adisti, Pratiwi (2025) PENDETEKSIAN PENYAKIT DIABETIC RETINOPHATY MELALUI CITRA FUNDUS MENGGUNAKAN MODEL CNN INCEPTIONRESNET-V2. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (248Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (5Mb) | Minta salinan
Preview	File PDF SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (3032Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Diabetic Retinopathy (DR) adalah komplikasi serius diabetes melitus yang dapat menyebabkan kebutaan. Deteksi dini melalui analisis citra fundus sangat penting, tetapi keterbatasan jumlah ophthalmologist mendorong pengembangan metode otomatis berbasis kecerdasan buatan. Penelitian ini mengembangkan model deteksi DR berbasis CNN InceptionResNet-V2 untuk mengklasifikasikan lima tingkat keparahan DR. Model dianalisis menggunakan input 3 kanal RGB, kanal hijau (murni dan RGB tiruan), serta dampak prapemrosesan citra seperti CLAHE, Sharpening, dan Super Resolution.Evaluasi kinerja dilakukan dengan akurasi, sensitivitas, spesifisitas, AUC, F1-score, Confusion Matrix, dan waktu komputasi. Percobaan dengan berbagai batch size (8, 16, 32, 64) menguji stabilitas dan efisiensi model. Model tanpa prapemrosesan (3 kanal RGB) mencapai akurasi 86%, tetapi kesalahan signifikan terjadi pada kelas mayoritas dan minoritas dibanding percobaanlainnya. Sebaliknya, model dengan kanal hijau RGB tiruan mencapai akurasi 96% dan F1-score 95,91%, dengan stabilitas terbaik pada batch size 16 sebagai konfigurasi optimal. Kombinasi kanal hijau RGB tiruan dengan CLAHE dan Sharpening memberikan kinerja terbaik. Sementara itu, kanal hijau murni menawarkan waktu komputasi lebih cepat tetapi kinerja kurang konsisten. Penelitian ini menegaskan pentingnya pemilihan teknik prapemrosesan dan konfigurasi batch size dalam meningkatkan akurasi deteksi otomatis DR. Hasil ini mendukung pengembangan sistem diagnosis berbasis CNN yang efisien untuk membantu deteksi dini DR dalam pengambilan keputusan medis.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum > 003 Sistem-sistem 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data 000 Ilmu komputer, informasi dan pekerjaan umum > 006 Metode komputer khusus 600 Teknologi (ilmu terapan) > 602 Aneka ragam tentang teknologi dan ilmu terapan 600 Teknologi (ilmu terapan) > 607 Pendidikan, riset, topik terkait 600 Teknologi (ilmu terapan) > 610 Ilmu kedokteran, ilmu pengobatan dan ilmu kesehatan 600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	Fakultas Teknik > Prodi S1-Teknik Informatika
Pengguna Deposit:	2308390851 . Digilib
Date Deposited:	15 Feb 2025 02:56
Terakhir diubah:	15 Feb 2025 02:56
URI:	http://digilib.unila.ac.id/id/eprint/83885

Actions (login required)

Lihat Karya Akhir