Klasifikasi Multikelas Glaukoma pada Citra Fundus Retina Menggunakan Convolutional Neural Networks (CNN)

Pakaya, Andini Vira (2024) Klasifikasi Multikelas Glaukoma pada Citra Fundus Retina Menggunakan Convolutional Neural Networks (CNN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5023201065-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Penyakit mata yang dikenal sebagai glaukoma mempengaruhi penglihatan dan dapat merusak saraf optik, menyebabkan kebutaan atau kehilangan penglihatan. Penyakit ini dianggap sebagai penyebab kebutaan kedua paling umum di dunia setelah penyakit katarak. Peningkatan tekanan pada bola mata akibat gangguan sistem aliran cairan mata menyebabkan penyakit glaukoma. Pada awalnya glaukoma hanya diklasifikasikan secara biner yaitu normal dan glaukoma. Namun pada penelitian terbaru tingkat keparahan glaukoma berkembang menjadi ringan dengan nilai CDR 0,3–0,5, tingkat sedang memiliki nilai CDR 0,5–0,7, dan tingkat parah memiliki nilai CDR di atas 0,7. Menghitung nilai CDR secara manual membutuhkan alat yang mahal dan hanya dapat diakses oleh dokter yang berpengalaman. Dokter juga dapat melihat kerusakan pada kepala saraf optik (ONH) atau disc optik baru jika kondisi penyakit telah berkembang. Dibutuhkan sistem untuk mendeteksi dan mengklasifikasikan tingkat penyakit glaukoma. Pada penelitian sebelumnya, klasifikasi tingkat keparahan penyakit glaukoma bedasarkan empat kelas masih kurang rinci. Hal ini dapat menyebabkan kurangnya pencegahan dan deteksi dini. Maka dari itu metode yang diusulkan untuk mengatasi permasalahan tersbebut dengan membuat empat kelas tingkat keparahan glaukoma dengan machine learning yaitu CNN. Dan untuk menunjang penelitian ini, menggunakan dataset ORIGA. Proses pada penelitian ini terdiri dari beberapa langkah, seperti pre processing, segmentasi disc optik dan cup optik, ekstraksi fitur, dan klasifikasi dengan arsitektur model VGG16. Dan hasil dari penelitian ini yaitu akurasi 88.36%, presisi sebesar 89.75%, recall sebesar 86.75%, specifity sebesar 97.70%, dan F1 Score yaitu 87.25%. Hasil ini menunjukkan bahwa model yang dikembangkan memiliki kinerja yang baik dalam mendeteksi berdasarkan citra fundus retina.
===============================================================================================
Glaucoma, an eye disease that affects vision, can damage the optic nerve, leading to blindness or vision loss. It is considered the second most common cause of blindness in the world, after cataracts. Glaucoma occurs due to increased pressure in the eyeball caused by a disruption in the eye fluid drainage system. Initially, glaucoma was classified in a binary manner, either as normal or glaucoma. However, recent research has developed more detailed severity levels: mild with a CDR value of 0.3–0.5, moderate with a CDR value of 0.5–0.7, and severe with a CDR value above 0.7. Calculating CDR manually requires expensive equipment and can only be performed by experienced doctors. Additionally, doctors can only observe damage to the optic nerve head (ONH) or optic disc once the disease has progressed. Therefore, a system is needed to detect and classify the severity of glaucoma. Previous studies on the classification of glaucoma severity into four classes lacked detail, potentially leading to insufficient prevention and early detection. To address this issue, the proposed method involves creating four classes of glaucoma severity using machine learning, specifically CNN. The study uses the ORIGA dataset. The process includes several steps such as preprocessing, segmentation of the optic disc and optic cup, feature extraction, and classification with the VGG16 model architecture. The results of this study show an accuracy of co.36%, precision of 89.75%, recall of 86.75%, specificity of 97.70%, and an F1 Score of 87.25%. These results indicate that the developed model performs well in detecting glaucoma based on fundus retina images

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Glaukoma, Citra fundus, Klasifikasi Glaukoma, Cup-to-disc Ratio, CNN , Glaucoma, Fundus images, Glaucoma Classification, Cup-to-disc Ratio, CNN
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T59.7 Human-machine systems. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Andini Vira salsabilla Z
Date Deposited:	05 Aug 2024 08:20
Last Modified:	05 Aug 2024 08:20
URI:	http://repository.its.ac.id/id/eprint/111402

Actions (login required)

View Item