Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 10 dokumen yang sesuai dengan query
cover
Widi Nugroho
Analisis Kinerja Metode Convolutional Neural Network (CNN) Arsitektur ResNet50 dalam Mengklasifikasi Penyakit Retinopathy of Prematurity Pada Citra Fundus Retina = Performance Analysis of the ResNet50 Architecture Convolutional Neural Network (CNN) Method in Classifying Retinopathy of Prematurity Diseases on Retinal Fundus Images
"Bayi prematur adalah bayi yang lahir dengan usia kehamilan kurang dari 37 minggu yang memiliki sistem saraf dan organ-organ yang belum sempurna sehingga lebih beresiko mengalami berbagai masalah kesehatan. Salah satu masalah kesehatan yang dapat terjadi adalah pada organ mata yang merupakan organ penting dalam perkembangan bayi. Retinopathy of Prematurity (ROP) merupakan salah satu penyakit mata yang terjadi pada bayi prematur yang disebabkan oleh pembentukan pembuluh darah retina yang tidak normal. Proses diagnosis yang dilakukan oleh dokter mata belum bisa mengatasi kenaikan jumlah kasus ROP, sehingga disini penulis menggunakan pendekatan deep learning untuk melakukan klasifikasi tingkat keparahan ROP pada citra fundus retina. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari online database Kaggle berupa 90 data citra fundus retina yang terbagi atas 38 citra bukan penderita ROP, 19 citra penderita ROP Stage 1, 22 citra penderita ROP Stage 2, dan 11 citra penderita ROP Stage 3. Pada tahap persiapan data, dilakukan perbaikan kontras citra menggunakan Contrast Limited Adaptive Histogram (CLAHE) dan image masking. Kemudian dilakukan resize citra menjadi ukuran 224×224. Data kemudian diaugmentasi menggunakan teknik flip horizontal dan rotation agar data menjadi lebih banyak yang kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 20% untuk data validation. Training model dilakukan menggunakan model dengan arsitektur ResNet50 dengan hyerparameter model yaitu batch size 64, learning rate 0.001, dan epoch sebanyak 30, fungsi optimasi Adam (Adaptive moment estimation), dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99.714% dan 92.85% pada akurasi training dan akurasi validation-nya, selain itu diperoleh nilai 0.01864 dan 0.18434 pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 97.352%, testing loss sebesar 0.0986374, dan AUROC sebesar 0.0955. Selain melakukan evaluasi kinerja, peneliti juga akan menggunakan GradCAM untuk menampilkan visualisasi ciri-ciri yang dianggap penting untuk nantinya membantu dokter dalam mengevaluasi ROP.
Premature infants are babies born with a gestational age of less than 37 weeks, and they have underdeveloped nervous systems and organs, making them more susceptible to various health issues. One of the health problems that can occur involves the eye, which plays a crucial role in the baby's development. Retinopathy of Prematurity (ROP) is one of the eye diseases that affects premature infants and is caused by abnormal blood vessel formation in the retina. The current diagnostic processes performed by ophthalmologists have not been effective in addressing the increase in ROP cases. Therefore, in this study, the author employs a deep learning approach to classify the severity of ROP in retinal fundus images. The deep learning method utilized is the Convolutional Neural Network (CNN) with the ResNet50 architecture. The research data consists of 90 retinal fundus images obtained from the online database Kaggle, comprising 38 images of non-ROP cases, 19 images of ROP Stage 1, 22 images of ROP Stage 2, and 11 images of ROP Stage 3. In the data preparation phase, the image contrast is enhanced using Contrast Limited Adaptive Histogram (CLAHE) and image masking techniques. Subsequently, the images are resized to 224×224 dimensions. Data augmentation is performed using horizontal flip and rotation techniques to increase the dataset, which is then split into 80% training data and 20% testing data. From the 80% training data, 20% is further allocated for validation data. The model is trained using the ResNet50 architecture with hyperparameters set to batch size 64, learning rate 0.001, and 30 epochs. The optimization function used is Adam (Adaptive Moment Estimation), and the loss function is categorical cross-entropy. The modeling process is repeated five times, and the average performance of the training model is achieved at 99.714% for training accuracy and 92.85% for validation accuracy, with training and validation losses of 0.01864 and 0.18434, respectively. As for the average performance of the testing model, the testing accuracy is 97.352%, the testing loss is 0.0986374, and the AUROC (Area Under the Receiver Operating Characteristic) is 0.0955. In addition to evaluating the model's performance, the researcher also employs GradCAM to visualize important features, which can assist doctors in evaluating ROP cases."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dea Alifia Maharani
Penerapan Metode Generative Adversarial Network (GAN) dalam Peningkatan Kinerja Model ResNeSt untuk Mendeteksi Retinal Detachment pada Citra Fundus Retina Mata = Application of Generative Adversarial Networks (GAN) in Improving the Performance of ResNeSt Model for Retinal Detachment Detection in Retinal Fundus Images
"Retinal detachment (RD), atau ablasi retina, adalah kondisi ketika retina neurosensori terlepas dari lapisan dasarnya, yaitu epitel pigmen retina (EPR), karena kehilangan kerekatan. RD bisa menjadi kondisi yang serius jika tidak segera ditangani, seperti gangguan penglihatan hingga kebutaan permanen. Di Indonesia, diperkirakan terdapat 17.500—25.000 kasus baru setiap tahunnya. Namun, dengan jumlah dokter yang terbatas, pendeteksian RD secara konvensional mungkin tidak dapat dilakukan dengan cepat. Dengan memanfaatkan metode machine learning, khususnya deep learning, yang kini berkembangan pesat, dapat dilakukan pendeteksian RD melalui citra fundus mata menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNeSt. Terdapat masalah keterbatasan jumlah data pada kelas RD sehubungan dengan perlindungan privasi pasien yang membatasi akses terhadap data medis. Untuk meningkatkan jumlah data, dilakukan augmentasi data dengan GAN untuk menghasilkan data baru berupa citra sintetis untuk kelas RD. Dilakukan pula percobaan dengan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) sebagai tahap preprocessing sebelum augmentasi dengan GAN dengan tujuan meningkatkan kualitas citra yang masuk sebagai input dari GAN. Lebih lanjut, penelitian ini menguji tiga skenario dengan dua rasio splitting data, yaitu 6:2:2 dan 6:1:3. Skenario 1 menjalankan model ResNeSt tanpa preprocessing CLAHE dan augmentasi GAN pada data input. Skenario 2 menjalankan model ResNeSt dengan augmentasi GAN pada data input. Sementara itu, skenario 3 menjalankan model ResNeSt dengan menerapkan preprocessing CLAHE dan augmentasi GAN pada data input. Untuk splitting data dengan rasio 6:2:2, skenario 1 menghasilkan nilai rata-rata accuracy 89,9%, sensitivity 76,3%, specificity 94,3%, dan loss 52,4%, skenario 2 menghasilkan nilai rata-rata accuracy 92,3%, sensitivity 88,2%, specificity 94,8%, dan loss 18,6%, sedangkan skenario 3 menghasilkan nilai rata-rata accuracy 95,9%, sensitivity 94,4%, specificity 96,8%, dan loss 9,8%. Sementara itu, untuk splitting data dengan rasio 6:1:3, skenario 1 menghasilkan nilai rata-rata accuracy 91,3%, sensitivity 78,6%, specificity 94,9%, dan loss 27,9%, skenario 2 menghasilkan nilai rata-rata accuracy 94%, sensitivity 90,2%, specificity 96,3%, dan loss 17,9%, sedangkan skenario 3 menghasilkan nilai rata-rata accuracy 97,9%, sensitivity 97%, specificity 98,4%, dan loss 5,4%. Didapatkan bahwa performa model terbaik adalah ketika menggunakan skenario 3 dengan rasio splitting data 6:1:3.
Retinal detachment (RD), also known as retinal ablation, is a condition where the neurosensory retina separates from its underlying layer, the retinal pigment epithelium (RPE), due to the loss of adhesion. RD can become a serious condition if not promptly treated, potentially leading to vision impairment, even permanent blindness. In Indonesia, an estimated 17,500–25,000 new cases of RD occur annually. However, with a limited number of doctors, conventional detection methods for RD may not be performed swiftly enough. Leveraging machine learning, particularly deep learning, which has rapidly advanced, RD detection can be facilitated through fundus imaging using Convolutional Neural Network (CNN) with ResNeSt architecture. A significant challenge arises due to the limited amount of data available for the RD class, as patient privacy regulations restrict access to medical data. To address this, data augmentation is applied using Generative Adversarial Networks (GAN) to generate synthetic images for the RD class. Additionally, experiments were conducted by applying Contrast Limited Adaptive Histogram Equalization (CLAHE) as a preprocessing step before GAN augmentation, aiming to enhance the quality of the images inputted into the GAN. This study further evaluates three scenarios with two data splitting ratios, 6:2:2 and 6:1:3. Scenario 1 involved training the ResNeSt model without CLAHE preprocessing or GAN augmentation. Scenario 2 involved training the ResNeSt model with GAN augmentation. Scenario 3 involved training the ResNeSt model with both CLAHE preprocessing and GAN augmentation. For the 6:2:2 data splitting ratio, Scenario 1 achieved an average accuracy of 89.9%, sensitivity of 76.3%, specificity of 94.3%, and loss of 52.4%. Scenario 2 achieved an average accuracy of 92.3%, sensitivity of 88.2%, specificity of 94.8%, and loss of 18.6%. Meanwhile, Scenario 3 achieved an average accuracy of 95.9%, sensitivity of 94.4%, specificity of 96.8%, and loss of 9.8%. For the 6:1:3 data splitting ratio, Scenario 1 achieved an average accuracy of 91.3%, sensitivity of 78.6%, specificity of 94.9%, and loss of 27.9%. Scenario 2 achieved an average accuracy of 94%, sensitivity of 90.2%, specificity of 96.3%, and loss of 17.9%. Meanwhile, Scenario 3 achieved an average accuracy of 97.9%, sensitivity of 97%, specificity of 98.4%, and loss of 5.4%. The best model performance was observed in Scenario 3 with a 6:1:3 data splitting ratio."
Depok: Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Alif Karnadi Yulvianto
Pendeteksian retinopati diabetik berbasis segmentasi citra = Detection of diabetic retinopathy based on image segmentation
"Retinopati Diabetik adalah salah satu penyakit pada retina disebabkan oleh komplikasi diabetes yang dapat berujung pada kebutaan. Retinopati Diabetik tidak bisa dideteksi langsung secara kasat mata karena tanda-tandanya berada di bagian syaraf retina. Dari beberapa penelitian yang telah dilakukan pendeteksian Retinopati Diabetik dimungkinkan dapat dilakukan dengan melakukan klasifikasi menggunakan data citra retina atau yang biasa disebut sebagai citra fundus.
Dalam penelitian ini diterapkan metode segmentasi citra yaitu Watershed dan Efficient Graph-Based beserta metode klasifikasi yaitu K-Nearest Neighbor dan Support Vector Machine dalam pendeteksian Retinopati Diabetik. Dari hasil implementasi, metode untuk segmentasi Efficient Graph-Based menggunakan data citra fundus dari DIARETDB0 diperoleh nilai akurasi, recall, dan precision lebih tinggi dibandingkan dengan metode segmentasi Watershed.
Diabetic Retinopathy is one of disease on retina because of Diabetic complication that can cause blindness. Diabetic Retinopathy cant detected directly from the eyes because sign of Diabetic Retinopathy itself is in the eyes nerve. From several research that has been done prove that Diabetic Retinopathy can be detected by using retinas image or usually called fundus image.
In this research use segmentation method that is Watershed and Efficient Graph-Based with classification method that is K-Nearest Neighbor and Support Vector Machine for detection of Diabetic Retinopathy. From the implementation result, the Efficient Graph-Based segmentation method using fundus image data from the DIARETDB0 obtained that the accuracy, recall, and precision score is higher than Watershed segmentation method."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ely Sudarsono
Pengoptimasian Metode Convolutional Neural Network Dengan Optimasi Lookahead-Diffgrad Untuk Mengklasifikasikan Citra Retina Penyakit Katarak = An Optimized Convolution Neural Network using Lookahead-diffGrad for Cataract Fundus Image Classification
"Indonesia merupakan salah satu negara dengan penduduk terbanyak yang mengalami kebutaan yang disebabkan oleh katarak sebesar 77,7 %. Pendeteksian terhadap pasien katarak dapat dilakukan menggunakan citra fundus dengan metode komputasi. Salah satu metode komputasi populer dalam klasifikasi citra fundus adalah deep learning yang merupakan salah satu pendekatan machine learning. Pada tesis ini, model convolutional neural network (CNN) yang digunakan adalah arsitektur AlexNet dengan Lookahead-diffGrad optimizer. Data yang digunakan dalam penelitian ini diambil dari situs Kaggle yang berisi citra fundus katarak. Selanjutnya, dilakukan tahap pra-pengolahan pada citra seperti menerapkan resize dan menerapkan normalisasi agar semua citra dapat diinput ke dalam model dengan ukuran yang sama serta meningkatkan kinerja model. Hasil penelitian ini menunjukkan CNN dengan Lookahead-diffGrad optimizer pada dataset citra retina katarak dapat mengklasifikasikan data menjadi dua kelas, yaitu normal dan katarak, sehingga dapat membantu untuk mendiagnosis penyakit tersebut dengan baik. Selain itu, hasil terbaik juga diperoleh oleh CNN dengan Lookahead-diffGrad optimizer berdasarkan nilai loss sebesar 0,0010 dan akurasi 100 % dibandingkan berbagai optimizer lainnya untuk mengklasifikasikan dataset citra retina katarak.

Indonesia is one of the countries with the most people experiencing blindness due to cataracts at up to 77.7% of the population. Detection of cataract patients can be done using fundus images with computational methods. One of the popular computational methods in the classification of fundus images is deep learning, which is one of machine learning approaches. In this thesis, the convolutional neural network (CNN) model used is the AlexNet architecture with Lookahead-diffGrad optimizer. The data used in this study were taken from the Kaggle website which contains the images of cataract fundus. Furthermore, the pre-processing stage of the image is carried out such as applying resizing and applying normalization so that all images can be inputted into the model with the same size and improve the performance of the model. The results of this study indicate that CNN using the Lookahead-diffGrad optimizer on the retinal cataract image dataset can classify the data into two classes, namely normal and cataracts, so that it can help diagnose the disease properly. In addition, the best results were obtained by CNN with the Lookahead-diffGrad optimizer based on a loss value of 0.0010 and 100% accuracy compared to other optimizers for classifying the retinal cataract image dataset."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Amin Nur Ambarwati
Analisis performa metode convolutional neural network (CNN) pada fungsi aktivasi ReLU dan mish dalam mendeteksi penyakit katarak pada data citra fundus = Performance analysis of convolutional neural network (CNN) methods with ReLU and mish activation functions in detecting cataract disease in fundus image.
"Katarak merupakan keadaan di mana lensa mata yang biasanya terlihat jernih dan bening menjadi keruh yang disebabkan oleh sebuah kumpulan protein yang terletak di depan retina. Hal ini menyebabkan jaringan lensa mata mulai rusak dan menggumpal, sehingga berkurangnya cahaya yang masuk ke retina dan pandangan akan terlihat buram, kurang berwarna, serta dapat menyebabkan kebutaan yang permanen. Mendiagnosis penyakit katarak pada seseorang dapat menggunakan proses pemeriksaan citra fundus, hasil dari citra fundus kemudian dideteksi menggunakan salah satu pendekatan deep learning. Dalam penelitian ini, digunakan pendekatan deep learning yaitu metode Convolutional Neural Networks (CNN) classic dan CNN LeNet-5 pada fungsi aktivasi ReLU dan Mish dalam mendeteksi katarak. Data yang digunakan dalam penelitian ini yaitu data ODR yang merupakan online database yang berisi citra fundus dengan bervariasi ukuran citra. Dataset kemudian memasuki tahap preprocessing dalam meningkatkan performa model seperti mengkonversikan citra RGB menjadi grayscale dari intensitas green channel, kemudian menerapkan proses binerisasi citra menggunakan thresholding untuk menyesuaikan target atau label berdasarkan diagnosis dokter dan mengetahui tingkat kerusakan bagian mata dalam mendeteksi mata mengalami katarak atau tidak. Hasil performa pada penelitian ini menunjukkan bahwa model CNN LeNet-5 dengan fungsi aktivasi Mish lebih baik dibandingkan model CNN clasic dengan fungsi aktivasi Mish dalam mendeteksi penyakit katarak. Hasil performa keseluruhan yang optimal pada penelitian ini berdasarkan nilai accuracy, precision, recall, dan F1- score secara berturutturut yaitu 87%, 87,5%, 89,3%, 86,7%, dengan running time yang dibutuhkan pada training 95,67 detik dan testing 0,1859 detik.
Cataract is a condition in which the normally clear lens of the eye becomes cloudy due to a collection of proteins located in front of the retina. This causes the tissue of the eye's lens to begin to break down and clot, resulting in less light entering the retina and blurred vision, lack of color, and can lead to permanent blindness. Diagnosing cataracts in a person can use the process of examining the fundus image, the results of the fundus image are then detected using one of the deep learning approaches. In this study, a deep learning approach was used, namely Convolutional Neural Networks (CNN) classic and CNN LeNet-5 method on the ReLU and Mish activation functions in detecting cataracts. The data used in this study is ODR data which is an online database containing fundus images with varying image sizes. The dataset then enters the preprocessing stage to improve model performance, such as converting the RGB image to grayscale from the intensity of the green channel, then applying a binary image process using thresholding to adjust the target or label based on the doctor's diagnosis and determine the level of eye damage to detect cataracts or not. The performance results in this study indicate that the CNN LeNet- 5 model with Mish activation function is better than the CNN classic model with Mish activation function in detecting cataract disease. Optimal overall performance results in this study are based on the values of accuracy, precision, recall, and F1-score, respectively, namely 87%, 87,5%, 89,3%, 86,7%, with the running time required for training 95,67 seconds and testing 0,1859 seconds."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Herardita Cahyaning Wulan
Penerapan Metode Generative Adversarial Network dalam Peningkatan Kinerja Model EfficientNet untuk Mendeteksi Age-related Macular Degeneration pada Citra Fundus Retina Mata = Application of Generative Adversarial Network in Improving the Performance of EfficientNet Model for Age-related Macular Degeneration Detection in Retinal Fundus Images
"Age-related macular degeneration (AMD) adalah penyakit degeneratif pada makula yang menyebabkan gangguan penglihatan sentral pada orang lanjut usia. Secara global, orang yang didiagnosis mengalami AMD mencapai 170 juta orang. Pada 2018, AMD menjadi penyebab kebutaan terbesar ketiga di Indonesia, setelah katarak dan gangguan refraksi. Salah satu pendekatan teknologi dalam bidang kedokteran adalah menggunakan sains data dan deep learning untuk mendeteksi dan mendiagnosis penyakit mata. Salah satu metode deep learning yang paling efektif untuk memahami data berbasis citra adalah Convolutionl Neural Network (CNN). Di antara arsitektur CNN yang dikembangkan, arsitektur EfficientNet merupakan salah satu yang paling efektif untuk mencapai akurasi terbaik pada tugas klasifikasi gambar serta efisien secara komputasional. Data yang digunakan dalam penelitian ini adalah data citra fundus retina yang bersumber dari empat open source database. Terdapat dua kelas yang akan diklasifikasi yaitu Normal dan AMD. Dengan penggabungan beberapa dataset muncul beberapa masalah yaitu terdapat perbedaan dimensi dan kontras pada citra. Sebelum dataset digunakan untuk melatih model, dilakukan preprocessing dengan centered crop, resize, dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Masalah lain yang muncul adalah ukuran dataset yang kecil karena sulitnya mendapatkan data medis pasien. Salah satu metode yang dapat menjadi solusi adalah Generative Adversarial Network (GAN) yang digunakan untuk menghasilkan data citra sintetis. Penelitian ini diajukan untuk menerapkan metode GAN guna meningkatkan kinerja model EfficientNet dalam mendeteksi AMD. Untuk melakukan hal tersebut dibuat tiga skenario untuk membandingkan kinerja EfficientNet. Skenario A yaitu melakukan klasifikasi dengan dataset asli, tanpa preprocessing CLAHE dan tanpa augmentasi GAN. Skenario B melakukan klasifikasi dengan dataset yang sudah diaugmentasi dengan GAN. Sedangkan, skenario C melakukan klasifikasi dengan dataset yang diaugmentasi dengan GAN dan melalui preprocessing CLAHE. Metrik evaluasi yang digunakan untuk mengukukur kinerja adalah akurasi, sensitivity, dan specifity. Pada skenario A dengan rasio splitting data 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 89,01% dan 88,52%. Sedangkan, pada skenario B dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 87,10% dan 89,86%. Pada Skenario C dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 88,97% dan 91,27%. Skenario terbaik adalah skenario C dengan rasio 80:10:10 dengan nilai akurasi tertinggi 92,96%, sensitivity tertinggi mencapai 93,55%, dan specifity tertinggi mencapai 95,00%.
Age-related macular degeneration (AMD) is a degenerative disease of the macula that causes central vision impairment in the elderly. Globally, the number of people diagnosed with AMD reaches 170 million. In 2018, AMD became the third leading cause of blindness in Indonesia, following cataracts and refractive errors. One technological approach in the field of medicine is utilizing data science and deep learning to detect and diagnose eye diseases. One of the most effective deep learning methods for understanding image-based data is the Convolutional Neural Network (CNN). Among the developed CNN architectures, EfficientNet is one of the most effective in achieving the best accuracy in image classification tasks while being computationally efficient. The data used in this research consists of fundus retinal images sourced from four open source databases. There are two classes: Normal and AMD. Combining multiple datasets presents several issues, such as differences in image dimensions and contrast. Before the dataset is used to train the model, preprocessing is conducted using centered crop, resize, and Contrast Limited Adaptive Histogram Equalization (CLAHE). Another emerging issue is the small dataset size due to the difficulty of obtaining patient medical data. One method that can provide a solution is the Generative Adversarial Network (GAN), which is used to generate synthetic image data. This study proposes to implement GAN to enhance the performance of the EfficientNet model in detecting AMD. To achieve this, three scenarios were created to compare the performance of EfficientNet. Scenario A involves classification with the original dataset, without CLAHE preprocessing and without GAN augmentation. Scenario B involves classification with the dataset augmented by GAN. Scenario C involves classification with the dataset augmented by GAN and processed through CLAHE preprocessing. The evaluation metrics used to measure performance are accuracy, sensitivity, and specificity. In Scenario A, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 89.01% and 88.52%, respectively. In Scenario B, with the same data splitting ratios, the average accuracy obtained was 87.10% and 89.86%, respectively. In Scenario C, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 88.97% and 91.27%, respectively. The best scenario is Scenario C with a ratio of 80:10:10, achieving the highest accuracy of 92.96%, the highest sensitivity of 93.55%, and the highest specificity of 95.00%."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rania Nur Farahiyah
Penerapan Metode Generative Adversarial Network (GAN) dalam Peningkatan Kinerja Model Data-Efficient Image Transformer (DeiT) untuk Mendeteksi Retinopati Hipertensi = Application of Generative Adversarial Network (GAN) in Improving the Performance of Data-Efficient Image Transformer (DeiT) Model for Hypertensive Retinopathy Detection
"Retinopati hipertensi merupakan penyakit yang timbul pada retina akibat komplikasi dari hipertensi atau tekanan darah tinggi. Pemeriksaan gejala retinopati hipertensi penting untuk dilakukan supaya penanganan yang tepat dapat diberikan. Gejala retinopati hipertensi terdapat pada pembuluh darah di retina sehingga diagnosis dapat dilakukan melalui citra fundus retina. Penelitian ini memanfaatkan model Data-Efficient Image Transformer (DeiT) untuk mengklasifikasikan citra fundus retina menjadi dua kelas, yaitu kelas retinopati hipertensi dan kelas normal. Data yang digunakan dalam penelitian ini diperoleh dari empat database open-source, yaitu DRIVE, JSIEC, ODIR, dan STARE. Preprocessing berupa resize dan Contrast Limited Adaptive Histogram Equalization (CLAHE) diterapkan untuk menyeragamkan ukuran citra dan meningkatkan kontras citra. Generative Adversarial Network (GAN) digunakan untuk menghasilkan citra sintetis guna mengatasi masalah keterbatasan jumlah data serta meningkatkan variasi data yang dapat dipelajari oleh model DeiT. Penelitian ini menganalisis pengaruh metode GAN terhadap kinerja model DeiT dengan menggunakan metrik evaluasi accuracy, sensitivity, dan specificity. Analisis dilakukan dengan membandingkan tiga skenario: skenario A menggunakan data asli, skenario B menggunakan data hasil augmentasi GAN, dan skenario C menggunakan preprocessing CLAHE dan data hasil augmentasi GAN. Skenario A menunjukkan kinerja yang cukup baik dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 94%, 97,7%, dan 84,6% untuk rasio pembagian data 70:30, serta 95,7%, 97%, dan 92,8% untuk rasio pembagian data 80:20. Skenario B mengungguli skenario sebelumnya dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 96,4%, 97,2%, dan 95,7% untuk rasio pembagian data 70:30, serta 97,5%, 97,9%, dan 97,1% untuk rasio pembagian data 80:20. Pada skenario C, diperoleh nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 95,7%, 95%, dan 96,2% untuk rasio pembagian data 70:30, serta 95,5%, 94,9%, dan 96,4% untuk rasio pembagian data 80:20. Hasil penelitian menunjukkan bahwa penerapan metode GAN berhasil meningkatkan kinerja model DeiT, khususnya pada nilai specificity. Dari ketiga skenario yang diuji, skenario B yang memanfaatkan data sintetis hasil augmentasi GAN tanpa preprocessing CLAHE memberikan hasil yang paling unggul.
Hypertensive retinopathy is a disease that occurs in the retina due to complications from hypertension or high blood pressure. Examination of hypertensive retinopathy symptoms is important to ensure appropriate treatment can be performed. The symptoms of hypertensive retinopathy are found in the blood vessels of the retina, allowing diagnosis to be performed through retinal fundus images. This study uses the Data-Efficient Image Transformer (DeiT) model to classify retinal fundus images into two classes: hypertensive retinopathy and normal. The data used in this study were obtained from four different open-source databases: DRIVE, JSIEC, ODIR, and STARE. Preprocessing in the form of resizing and Contrast Limited Adaptive Histogram Equalization (CLAHE) was applied to standardize the image size and enhance the image contrast. Generative Adversarial Network (GAN) was used to generate synthetic images to address the problem of limited data availability and increase the variety of data that can be learned by the DeiT model. This study analyzes the impact of the GAN method on the performance of the DeiT model using evaluation metrics of accuracy, sensitivity, and specificity. The analysis was conducted by comparing three scenarios: scenario A using the original data, scenario B using GAN-augmented data, and scenario C using CLAHE preprocessing and GAN-augmented data. Scenario A showed fairly good performance with average accuracy, sensitivity, and specificity values of 94%, 97.7%, and 84.6% for a 70:30 data split ratio, and 95.7%, 97%, and 92.8% for an 80:20 data split ratio. Scenario B outperformed the previous scenario with average accuracy, sensitivity, and specificity values of 96.4%, 97.2%, and 95.7% for a 70:30 data split ratio, and 97.5%, 97.9%, and 97.1% for an 80:20 data split ratio. In scenario C, the average accuracy, sensitivity, and specificity values were 95.7%, 95%, and 96.2% for a 70:30 data split ratio, and 95.5%, 94.9%, and 96.4% for an 80:20 data split ratio. The results of the study indicate that the application of the GAN method successfully improved the performance of the DeiT model, particularly in terms of specificity. Out of the three scenarios tested, scenario B, which utilized GAN-augmented synthetic data without CLAHE preprocessing, yielded the best results."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Alva Andhika Sa`Id
Klasifikasi degenerasi makula dengan metode convolutional neural network–twin support vector machines pada data citra fundus = Classification of age-related macular degeneration using convolutional neural network-twin support vector machines based on fundus images.
"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.
Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Amin Nur Ambarwati
Analisis performa metode Convolutional Neural Network (CNN) pada fungsi aktivasi ReLU dan Mish dalam mendeteksi penyakit katarak pada data Citra Fundus = Performance analysis of Convolutional Neural Network (CNN) methods with ReLU and Mish activation functions in detecting cataract disease in Fundus Image
"Katarak merupakan keadaan di mana lensa mata yang biasanya terlihat jernih dan bening menjadi keruh yang disebabkan oleh sebuah kumpulan protein yang terletak di depan retina. Hal ini menyebabkan jaringan lensa mata mulai rusak dan menggumpal, sehingga berkurangnya cahaya yang masuk ke retina dan pandangan akan terlihat buram, kurang berwarna, serta dapat menyebabkan kebutaan yang permanen. Mendiagnosis penyakit katarak pada seseorang dapat menggunakan proses pemeriksaan citra fundus, hasil dari citra fundus kemudian dideteksi menggunakan salah satu pendekatan deep learning. Dalam penelitian ini, digunakan pendekatan deep learning yaitu metode Convolutional Neural Networks (CNN) classic dan CNN LeNet-5 pada fungsi aktivasi ReLU dan Mish dalam mendeteksi katarak. Data yang digunakan dalam penelitian ini yaitu data ODR yang merupakan online database yang berisi citra fundus dengan bervariasi ukuran citra. Dataset kemudian memasuki tahap preprocessing dalam meningkatkan performa model seperti mengkonversikan citra RGB menjadi grayscale dari intensitas green channel, kemudian menerapkan proses binerisasi citra menggunakan thresholding untuk menyesuaikan target atau label berdasarkan diagnosis dokter dan mengetahui tingkat kerusakan bagian mata dalam mendeteksi mata mengalami katarak atau tidak. Hasil performa pada penelitian ini menunjukkan bahwa model CNN LeNet-5 dengan fungsi aktivasi Mish lebih baik dibandingkan model CNN clasic dengan fungsi aktivasi Mish dalam mendeteksi penyakit katarak. Hasil performa keseluruhan yang optimal pada penelitian ini berdasarkan nilai accuracy, precision, recall, dan F1- score secara berturut- turut yaitu 87%, 87,5%, 89,3%, 86,7%, dengan running time yang dibutuhkan pada training 95,67 detik dan testing 0,1859 detik.
Cataract is a condition in which the normally clear lens of the eye becomes cloudy due to a collection of proteins located in front of the retina. This causes the tissue of the eye's lens to begin to break down and clot, resulting in less light entering the retina and blurred vision, lack of color, and can lead to permanent blindness. Diagnosing cataracts in a person can use the process of examining the fundus image, the results of the fundus image are then detected using one of the deep learning approaches. In this study, a deep learning approach was used, namely Convolutional Neural Networks (CNN) classic and CNN LeNet-5 method on the ReLU and Mish activation functions in detecting cataracts. The data used in this study is ODR data which is an online database containing fundus images with varying image sizes. The dataset then enters the preprocessing stage to improve model performance, such as converting the RGB image to grayscale from the intensity of the green channel, then applying a binary image process using thresholding to adjust the target or label based on the doctor's diagnosis and determine the level of eye damage to detect cataracts or not. The performance results in this study indicate that the CNN LeNet- 5 model with Mish activation function is better than the CNN classic model with Mish activation function in detecting cataract disease. Optimal overall performance results in this study are based on the values of accuracy, precision, recall, and F1-score, respectively, namely 87%, 87,5%, 89,3%, 86,7%, with the running time required for training 95,67 seconds and testing 0,1859 seconds."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Alva Andhika Sa`Id
Klasifikasi degenerasi makula dengan metode Convolutional Neural Network–Twin Support Vector Machines pada data Citra Fundus = Classification of Age-Related Macular Degeneration using convolutional Neural Network-Twin Support Vector Machines based on Fundus Images
"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.
Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library