Rizaldi, Wahyu Andhika (2025) Implementasi Klasifikasi Citra Funduskopi Untuk Penyakit Mata Dengan Deep Learning Dan Explainable Artificial Intelligence Pada Aplikasi Berbasis Android. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5027211003-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5027211003-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (14MB) | Request a copy |
Abstract
Penyakit mata seperti katarak, glaukoma, degenerasi makula, dan retinopati diabetik merupakan penyebab utama kebutaan di seluruh dunia. Dengan tingginya angka kejadian penyakit mata, diperlukan metode deteksi dini yang cepat, akurat, dan efisien. Penelitian ini mengembangkan aplikasi berbasis Android untuk mendeteksi penyakit mata dari citra funduskopi menggunakan model Deep Learning yang telah dioptimalkan untuk perangkat mobile, yang bertujuan untuk mendukung efisiensi deteksi penyakit mata oleh dokter melalui smartphone. Tiga arsitektur digunakan dalam penelitian ini, yaitu MobileNetV3Small, EfficientNetB3, dan InceptionV3. Untuk meningkatkan transparansi model, diterapkan pendekatan Explainable Artificial Intelligence (XAI) dengan metode Confidence Score dan Grad-CAM. Data yang digunakan berasal dari dua dataset publik: ODIR dan RFMiD, dengan lima kelas utama yang diklasifikasikan. Proses pra-pemrosesan gambar meliputi konversi grayscale, penerapan Gaussian Filter dan Median Filter, peningkatan kontras, Histogram Equalization, dan CLAHE. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score, serta analisis Confusion Matrix. Hasilnya menunjukkan bahwa model yang dikembangkan mampu melakukan klasifikasi dengan baik dan aplikasi yang dibangun berfungsi secara efektif sebagai alat bantu skrining awal penyakit mata. EfficientNetB3 dan InceptionV3 menunjukkan performa terbaik dengan akurasi 93% dan f1-score tinggi di semua kelas, diikuti oleh MobileNetV3Small yang unggul dari sisi kecepatan. Hasil XAI menunjukkan ketiga model mampu menyoroti area patologis yang relevan dengan confidence score tinggi. Dalam uji API, MobileNetV3Small menjadi yang tercepat dengan response time 0,6–1 detik, cocok untuk kebutuhan respons cepat, sementara InceptionV3 yang paling lambat.
===================================================================================================================================
Eye diseases such as cataracts, glaucoma, macular degeneration, and diabetic retinopathy are the global leading causes of blindness. With the high incidence of eye diseases, a fast, accurate, and efficient early detection method is needed. This research develops an Androidbased application to detect eye diseases from fundus images using a Deep Learning model optimized for mobile devices, aimed at supporting the efficiency of eye disease detection by doctors through smartphone. Three architectures were used: MobileNetV3Small, EfficientNetB3, and InceptionV3. To enhance model transparency, Explainable Artificial Intelligence (XAI) approaches were applied using Confidence Score and Grad-CAM methods. The data were sourced from two public datasets: ODIR and RFMiD, with five primary classes classified. Image preprocessing included grayscale conversion, Gaussian and Median filtering, contrast enhancement, histogram equalization, and CLAHE. Model evaluation was conducted using accuracy, precision, recall, and F1-score metrics, as well as confusion matrix analysis. The results showed that the developed models performed well in classification tasks, and the resulting application functions effectively as an early screening tool for eye diseases. EfficientNetB3 and InceptionV3 showed the best performance with 93% accuracy and high f1-score in all classes, followed by MobileNetV3Small which excelled in terms of speed. The XAI results showed that all three models were able to highlight relevant pathological areas with high confidence scores. In the API test, MobileNetV3Small was the fastest with a response time of 0,6–1 second, suitable for fast response needs, while InceptionV3 was the slowest.
Actions (login required)
 |
View Item |