Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN)

Fani Nurona Cahya, Nila Hardi, Dwiza Riana, sri hadiyanti

Abstract


Abstrak

Gangguan pada mata atau disebut juga penyakit mata adalah suatu kondisi yang mampu mempengaruhi jangka waktu hidup bagi sebagian orang. Gangguan mata atau penyakit mata banyak sekali jenisnya, diantaranya yaitu katarak, glaukoma dan retina disease. Gangguan atau penyakit mata tersebut merupakan penyebab kebutaan yang paling sering terjadi. Melihat dari uraian tersebut, penting sekali untuk mendeteksi penyakit mata atau kelaianan sebelum terjadi kebutaan. Penelitian  ini bertujuan untuk klasifikasi penyakit mata menggunakan Convolutional Neural Network (CNN) berarsitekstur Alexnet dengan pembaruan berupa menggunakan 4 kelas yang membutuhkan 3 tahap proses yaitu melakukan tahap pre-processing yang menghasilkan ukuran citra menjadi 224x224px. Tahap selanjutnya adalah ekstraksi fitur dengan 3 layer yaitu Convutional Layer, Pooling Layer, Fully Connected Layer, Pada implementasi CNN menggunakan 150 epoch. Hasil akurasi dari penelitian klasifikasi penyakit mata menggunakan  metode CNN adalah 98.37%.

Kata kunci: penyakit mata, klasifikasi, convolutional neural network (CNN)

 

Abstract

An eye disorder, also called a disease of the eye, is a condition that can affect the lifespan of some people. Eye disorders or diseases of which there are many types, including kataraks, glaukoma and retina disease. This eye disorder or disease is the most common cause of blindness. Seeing from the description. It is very important to detect eye disease or negligence before blindness occurs This study aims to classify eye diseases using the Alexnet textured Convolutional Neural Network (CNN) with an update in the form of using 4 classes that require 3 stages of the process, namely conducting ahap pre-processing which results in an image size of 224x224px. The next stage is Feature Extraction with 3 layers, namely Convutional Layer, Pooling Layer, Fully Connected Layer, the implementation of the Convolutional Neural Network implementation uses 150 epochs. The accuracy of the eye disease classification study using the Convolutional Neural Network method was 98.37%.

Keywords: eye disease, classification, convolutional neural network (CNN).


Full Text:

PDF

References


N. Maloring, A. Kaawoan, and F. Onibala, “Hubungan Pengetahuan Dan Sikap Dengan Kepatuhanperawatan Pada Pasien Post Operasi Katarak Di Balai Kesehatan Mata Masyarakat Sulawesi Utara,” J. Keperawatan UNSRAT, vol. 2, no. 2, p. 113824, 2014.

V. Wirawan and Y. E. Soelistio, “Model Klasifikasi Mata Katarak dan Normal Menggunakan Histogram,” J. Ultim., vol. 9, no. 1, pp. 33–36, 2017, doi: 10.31937/ti.v9i1.561.

Riskesdas., “Riset Kesehatan Dasar (RISKESDAS) 2013. Laporan Nasional,” Ris. Kesehat. Dasar, 2013.

A. Allen, D., & Vasavada, “Katarak and surgery for katarak. BMJ,” (Clinical Res. Ed.). https//doi.org/10.1136/bmj.333.7559.128, 2006.

L. W. Pusvitasari, A. Agung, and M. Putrawati, “Profil pasien glaukoma di Poliklinik Mata Rumah Sakit Indera Provinsi Bali Periode Januari 2014-Juni 2015,” E-Jurnal Med. Udayana, no. April, pp. 189–193, 2018.

M. I. Al Bukhory, “Pendeteksian Eksudat pada Retina dengan Fungsi Surf sebagai Salah Satu Ciri untuk mendiagnosa Diabetik Retinopati,” vol. 4, no. 1, pp. 978–979, 2018.

R. Gonzalez, R., & Woods, “Digital image processing.,” Prentice Hall. https://doi.org/10.1016/0734-189X(90)90171-Q, 2008.

Y. Garis K, I. Santoso, R.R. Isnanto, “Klasifikasi Citra dengan Matriks Ko-Okurensi Aras Keabuan (Gray Level Co-Occurrence Matrix-GLCM) pada Limakelas Biji-Bijian,” 2011.

I. Permatasari dan T. Sutojo, “Pengenalan Ciri Garis Telapak Tangan Menggunakan Ekstraksi Fitur (GLCM) dan Metode (KNN),” 2016.

D. Syahid, Jumadi, and D. Nursantika, “Sistem Klasifikasi Jenis Tanaman Hias Daun Philodendron Menggunakan Metode K-Nearest Neighboor (KNN) Berdasarkan Nilai Hue, Saturation, Value (HSV),” JOIN, vol. I, no. 1, pp. 20–23, 2016.

W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016, doi: 10.12962/j23373539.v5i1.15696.

Jr2ngb, “katarak dataset katarak image dataset,” https://www.kaggle.com/jr2ngb/katarakdataset, 2019.

A. Patwari, Anayet U., Muammer D. Arif, N.A. Chowdhury and & I. I. Arefin, “Detection, Categorization, and Assessment of Eye Kataraks Using Digital Image Processing.,” First Int. Conf. Interdiscip. Res. Dev. Thailand., 2011.

& S. K. G. Kolhe, S., “Remote Automated Katarak Detection System Based on Fundus Images.,” Int. J. Innov. Res. Sci. Eng. Technol. Vol. 5, pp. 10334-10341., 2016.

J. Nayak, “Automated Classification of Normal, Katarak and Post Katarak Optical Eye Image using SVM Classifier.,” Ann. der Phys. 322(10)891921., 2013.

K. Fukushima, “Neocognitron: A Self-Organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position,” Biol. Cybern., 1980.

D. Stathakis, “How Many Hidden Layers And Nodes,” Int. J. Remote Sens., 2008.

Stanford University, “An Introduction to Convolutional Neural Network,” Vis. Imaging Sci. Technol. Lab, Stanford Univ. [Online.

J. T. Springenberg, “A. Dosovitskiy, T. Brox and M. Riedmiller, "Striving For Simplicity: The All Convolutional Net,” ICLR 2015, 2015.




DOI: https://doi.org/10.32520/stmsi.v10i3.1248

Article Metrics

Abstract view : 201 times
PDF - 120 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.