KLASIFIKASI PENYAKIT MATA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK MODEL RESNET-50
DOI:
https://doi.org/10.59407/jrsit.v1i3.529Keywords:
Deteksi penyakit mata, Convolutional Neural Network, ResNet-50Abstract
Penyakit mata merupakan salah satu masalah kesehatan yang dapat menyebabkan kebutaan. Deteksi penyakit mata pada tahap awal penting untuk dilakukan agar dapat segera ditangani. Salah satu metode yang dapat digunakan untuk mendeteksi penyakit mata adalah dengan menggunakan metode Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk menguji efektivitas metode CNN dengan arsitektur ResNet-50 dalam mengklasifikasi penyakit mata. Penelitian ini dilakukan dengan menggunakan dataset Eye Diseases Classification yang terdiri dari 4 kelas penyakit mata, yaitu katarak, glaukoma, diabetic retinopathy, dan normal. Pada penelitian ini, dilakukan pengujian dengan membandingkan 3 skenario berdasarkan pembagian rasio datasetnya yaitu 70:30, 80:20 dan 90:10. Hasil penelitian menunjukkan bahwa pembagian rasio dataset dapat mempengaruhi hasil akurasi pada proses training dan pengujian. Pembagian rasio dataset 90:10 menghasilkan akurasi tertinggi yaitu sebesar 64,60%. Sedangkan pembagian rasio dataset 70:30 menghasilkan akurasi terendah yaitu sebesar 61,34%. Secara keseluruhan, penelitian ini menunjukkan bahwa metode CNN dengan arsitektur ResNet-50 dapat mengklasifikasi penyakit mata dengan cukup baik. Namun, perlu dilakukan penelitian lebih lanjut dengan menggunakan arsitektur dan fungsi optimizer yang lebih beragam, serta penambahan dataset yang lebih banyak agar menghasilkan hasil yang lebih variatif.
References
Raodatul Jannah, “Gangguang dan Kesehatan Mata - Raodatul Jannah - Google Books.” Accessed: Mar. 26, 2023. [Online]. Available: https://books.google.co.id/books?hl=en&lr=&id=I1AdDQAAQBAJ&oi=fnd&pg=PA3&dq=Jannah,R,+2016&ots=zXgx8GpkL-&sig=1xhQYrlyBN2VemQYxTuetNLfiOY&redir_esc=y#v=onepage&q&f=false
F. Nurona Cahya et al., “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN),” Sistemasi: Jurnal Sistem Informasi, vol. 10, no. 3, pp. 618–626, Sep. 2021, Accessed: Mar. 26, 2023. [Online]. Available: http://sistemasi.ftik.unisi.ac.id/index.php/stmsi/article/view/1248
K. P. Danukusumo, “Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis Gpu,” Jul. 2017.
NA Batubara and RM Awangga, “TUTORIAL OBJECT DETECTION PLATE NUMBER WITH CONVOLUTION NEURAL NETWORK (CNN) - Nur Arkhamia Batubara, Rolly Maulana Awangga - Google Books.” Accessed: Mar. 26, 2023. [Online]. Available: https://books.google.co.id/books?hl=en&lr=&id=JAgHEAAAQBAJ&oi=fnd&pg=PA1&dq=NA+Batubara+%26+RM+Awangga,2020&ots=3Vxkfl1pGx&sig=VrROJ9Or1Oil6aRsid_cCQdcqSE&redir_esc=y#v=onepage&q&f=false
D. Marcella, Y. Yohannes, and S. Devella, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19,” Jurnal Algoritme, vol. 3, no. 1, pp. 60–70, Oct. 2022, doi: 10.35957/ALGORITME.V3I1.3331.
T. Shyamalee and D. Meedeniya, “CNN Based Fundus Images Classification For Glaucoma Identification,” in ICARC 2022 - 2nd International Conference on Advanced Research in Computing: Towards a Digitally Empowered Society, Institute of Electrical and Electronics Engineers Inc., 2022, pp. 200–205. doi: 10.1109/ICARC54489.2022.9754171.
R. Nurlizah, A. E. Minarno, and G. W. Wicaksono, “Klasifikasi Penyakit Katarak Pada Mata Manusia Menggunakan Metode Convolutional Neural Network,” REPOSITOR, vol. 4, no. 4, pp. 491–496, 2022.
