IHDA SYURFI, - (2021) PENERAPAN DEEP LEARNING DENGAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA DIABETIC DENGAN ARSITEKTUR EFFICIENTNET-B7. Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

Preview	Text BAB I, II, III, dan VI.pdf Download (4MB) | Preview
	Text (BAB IV DAN V) BAB IV dan V.pdf - Published Version Restricted to Repository staff only Download (1MB)

Abstract

IHDA SYURFI (2021) : PENERAPAN DEEP LEARNING DENGAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA DIABETIC DENGAN ARSITEKTUR EFFICIENTNET-B7 Diabetic Rethinopathy (DR) merupakan komplikasi mikrovaskular dari penyakit Diabetes Melitus yang disebabkan oleh rusaknya pembuluh darah di retina mata yang dapat menimbulkan kebutaan permanen. Angka kejadian DR memiliki risiko saat usia penderita mencapai usia puberitas. Melakukan pendeteksian dini terhadap DR merupakan salah satu langkah yang dapat dilakukan untuk mencegah DR ketahap lanjut yang dapat menyebabkan kebutaan permanen. Dalam mendeteksi DR, dokter akan mengamati hasil oftalmoskop. Pada sebuah penelitian yang telah dilakukan menyatakan bahwa dokter hanya mampu mendeteksi DR pada tahap lanjut. Penelitian ini melakukan klasifikasi terhadap citra DR dengan menerapkan Arsitektur Convolutional Neural Network (CNN) yaitu EfficientNet-B7 dengan menerapkan Hyperparameter Optimization (HPO) untuk mendapatkan hasil yang optimal. Pengujian dilakukan dengan menerapkan beberapa skenario yaitu pembagian data training dan data testing, beberapa kombinasi dense pada hidden layer, serta kombinasi dari nilai lerning rate. Pengujian model terbaik untuk proses training terdapat pada eksperimen dengan scenario pembagian data 90% : 10%, dense berjumlah 256, dan Learning rate 0.01 dengan akurasi 95.48%. Dan model terbaik untuk proses testing adalah pada eksperimen dengan skenario pembagian data 90% : 10% dan dense berjumlah 32, dan Learning rate 0.001 dengan akurasi 95.81%. Kata Kunci : Convolutional Neural Network (CNN), Deep Learning, Diabetic Retinopathy, EfficientNet-B7

Actions (login required)

View Item