Trio Ningsih, - (2022) PENERAPAN DEEP LEARNING MENGGUNAKAN RESNET-152 UNTUK KLASIFIKASI CITRA DIABETIC RETINOPATHY. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text Laporan Skripsi Trio Ningsih-Bab 1,3 dan 5.pdf Download (3MB) | Preview
	Text (Bab VI) Laporan Skripsi Trio Ningsi-Bab 4.pdf - Published Version Restricted to Repository staff only Download (3MB)

Abstract

Deep learning beberapa tahun terakhir menunjukan performa yang bagus, dalam mengekstraksi fitur dan klasifikasi citra. Klasifikasi citra Diabetic Retinopathy telah banyak dilakukan, 17 dari 32 paper menggunakan arsitektur Deep Learning. Salah satunya arsitektur Deep Learning yang popular adalah ResNet, tahun 2015 ResNet mendapat peringkat 1. Penelitian ini menggunakan Deep Learning untuk klasifikasi citra diabetic retinopathy yang terbagi ada 5 kelas yaitu Normal, Mild NPDR, Moderate NPDR, Severe NPDR dan PDR. Model Pelatihan menggunakan ResNet-152 dengan Pengaturan Hyperparameter yang dilakukan ialah, batch size (16,32,64), split dataset (70%:30%, 80%:20% dan 90%:10%) dan ukuran citra (128 x 128, 64 x 64). Berdasarkan hasil nilai Confusion Matrix akurasi tertinggi penelitian ini terdapat pada batch size 16, split dataset 90% training: 10% testing dengan ukuran citra 128 x 128 menghasilkan nilai akurasi sebesar 78,41%. Parameter yang berpengaruh dalam penelitian ini ialah semakin tinggi batch size yang digunakan cenderung akurasi yang diperoleh menurun, dan split dataset terbaik yaitu 90% training dan 10% testing, karena semakin banyak data training yang digunakan, maka hasil akurasi akan semakin bagus, dengan data latih yang banyak memudahkan computer untuk dapat lebih banyak/baik memahami pola dari suatu gambar sehingga, ketepatan dalam proses klasifikasi akan semakin baik/akurat. Kata kunci: Deep Learning, Diabetic Retinopathy, Hyperparameter, Klasifikasi ResNet

Actions (login required)

View Item