Klasifikasi Tingkat Keparahan Glaukoma Berdasarkan Fitur Morfologi pada Citra Fundus Retina Menggunakan Convolutional Neural Network (CNN)

Fuadah, Nadhifatul (2025) Klasifikasi Tingkat Keparahan Glaukoma Berdasarkan Fitur Morfologi pada Citra Fundus Retina Menggunakan Convolutional Neural Network (CNN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5023211053-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Glaukoma merupakan penyakit degeneratif yang menyerang penglihatan, menimbulkan risiko kehilangan lapang pandang tepi, hingga menyebabkan kebutaan permanen, dikarenakan penyakit ini seringkali tidak bergejala. Deteksi glaukoma dapat dilakukan dengan menganalisis perubahan morfologi pada retina. Namun, penilaian ini juga memerlukan ketelitian khusus dan waktu yang cukup lama apabila dilakukan secara manual, terlebih lagi untuk mengetahui tingkat keparahannya. Sehingga, untuk mengatasi hal tersebut, diperlukan bantuan sistem berbasis teknologi yang dapat memberikan penilaian secara numerik dalam membantu dokter untuk mendeteksi dan mengklasifikasikan tingkat keparahan glaukoma secara lebih terukur dan lebih cepat. Metode yang dikembangkan dalam penelitian ini memanfaatkan pendekatan Convolutional Neural Network (CNN) melalui U-Net yang dimodifikasi dengan backbone pre-trained resnet-34, dilated convolutional, dan residual connections dalam meningkatkan model.Fitur morfologi yang digunakan sebagai indikator utama dalam klasifikasi tingkat keparahan glaukoma adalah CDR, yang didukung oleh fitur morfologi lainnya, seperti fitur geometris dan imformasi dari fitur pembuluh darah. Tahapan klasifikasi penyakit ini melibatkan berbagai tahapan yang mendukung, dimulai dari tahap Pre-processing untuk mempersiapkan citra yang mendukung proses segmentasi, untuk memfokuskan pada area yang diinginkan, yaitu CDR dan pembuluh darah. Dilanjutkan tahap ekstraksi fitur dari hasil segmentasi, yang menjadi input dalam klasifikasi menggunakan Support Vector Machine (SVM) dengan pendekatan One-vs-Rest. Dilakukan pengujian kombinasi fitur, kernel, dan hyperparameter, serta proses seleksi data Z1-Score, dan proses penyeimbangan data menggunakan SMOTE. Performa model terbaik didapatkan melalui kernel Radial Basis Function (RBF) dengan fitur yang terpilih, dan kombinasi hyperparameter C dan gamma sebesar 1000 dan 0.1, yang diuji menggunakan Stratified 5-fold cross validation. Model terbaik ini menghasilkan Accuracy, precision, recall, f1-score, dan specificity sebesar 98.15%, 98.24%, 98.15%, 98.07%, dan 99.29%

========================================================================================================================

Glaucoma is a degenerative disease that affects vision, posing a risk of peripheral visual field loss and permanent blindness, as the disease is often asymptomatic. Glaucoma detection can be done by analyzing morphological changes in the retina. However, this assessment requires exceptional precision and considerable time when done manually, especially to determine the severity. So, to overcome this, a technology-based system is needed that can provide a numerical assessment to help doctors detect and classify the severity of glaucoma in a more measurable and faster manner. The method developed in this study utilizes the Convolutional Neural Network (CNN) approach through a modified U-Net with a pre-trained resnet-34 backbone, dilated convolutional, and residual connections in improving the model. The morphological feature used as the leading indicator in classifying glaucoma severity is CDR, which is supported by other morphological features, such as geometric features and information from blood vessel features. The disease classification stage involves various supporting stages, starting from the Pre-processing stage to prepare Images that support the segmentation process and focus on the desired areas, namely CDR and blood vessels. The feature extraction stage from the segmentation results was inputted in the classification using a Support Vector Machine (SVM) with the One-vs-Rest approach. Several features, kernel, and hyperparameter combinations were tested, including the data selection process using Z1-Score and the data balancing process using SMOTE. The best model performance was obtained through the Radial Basis Function (RBF) kernel with features selected, and the combination of hyperparameters C and gamma of 1000 and 0.1, which were tested using Stratified 5-fold cross validation. This best model resulted in accuracy, precision, recall, f1-score, and specificity of 98.15%, 98.24%, 98.15%, 98.07%, and 99.29%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	GlauKoma, CDR, Pembuluh Darah Retina, CNN, SVM Glaucoma,Retina Blood Vessel
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RE Ophthalmology > RE48 Eye--Diseases. Ophthalmoscopy. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Nadhifatul Fuadah
Date Deposited:	04 Aug 2025 01:31
Last Modified:	04 Aug 2025 01:31
URI:	http://repository.its.ac.id/id/eprint/126509

Actions (login required)

View Item