Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 119059 dokumen yang sesuai dengan query
cover
Alva Andhika Sa`Id
Klasifikasi degenerasi makula dengan metode Convolutional Neural Network–Twin Support Vector Machines pada data Citra Fundus = Classification of Age-Related Macular Degeneration using convolutional Neural Network-Twin Support Vector Machines based on Fundus Images
"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.
Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Alva Andhika Sa`Id
Klasifikasi degenerasi makula dengan metode convolutional neural network–twin support vector machines pada data citra fundus = Classification of age-related macular degeneration using convolutional neural network-twin support vector machines based on fundus images.
"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.
Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Herardita Cahyaning Wulan
Penerapan Metode Generative Adversarial Network dalam Peningkatan Kinerja Model EfficientNet untuk Mendeteksi Age-related Macular Degeneration pada Citra Fundus Retina Mata = Application of Generative Adversarial Network in Improving the Performance of EfficientNet Model for Age-related Macular Degeneration Detection in Retinal Fundus Images
"Age-related macular degeneration (AMD) adalah penyakit degeneratif pada makula yang menyebabkan gangguan penglihatan sentral pada orang lanjut usia. Secara global, orang yang didiagnosis mengalami AMD mencapai 170 juta orang. Pada 2018, AMD menjadi penyebab kebutaan terbesar ketiga di Indonesia, setelah katarak dan gangguan refraksi. Salah satu pendekatan teknologi dalam bidang kedokteran adalah menggunakan sains data dan deep learning untuk mendeteksi dan mendiagnosis penyakit mata. Salah satu metode deep learning yang paling efektif untuk memahami data berbasis citra adalah Convolutionl Neural Network (CNN). Di antara arsitektur CNN yang dikembangkan, arsitektur EfficientNet merupakan salah satu yang paling efektif untuk mencapai akurasi terbaik pada tugas klasifikasi gambar serta efisien secara komputasional. Data yang digunakan dalam penelitian ini adalah data citra fundus retina yang bersumber dari empat open source database. Terdapat dua kelas yang akan diklasifikasi yaitu Normal dan AMD. Dengan penggabungan beberapa dataset muncul beberapa masalah yaitu terdapat perbedaan dimensi dan kontras pada citra. Sebelum dataset digunakan untuk melatih model, dilakukan preprocessing dengan centered crop, resize, dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Masalah lain yang muncul adalah ukuran dataset yang kecil karena sulitnya mendapatkan data medis pasien. Salah satu metode yang dapat menjadi solusi adalah Generative Adversarial Network (GAN) yang digunakan untuk menghasilkan data citra sintetis. Penelitian ini diajukan untuk menerapkan metode GAN guna meningkatkan kinerja model EfficientNet dalam mendeteksi AMD. Untuk melakukan hal tersebut dibuat tiga skenario untuk membandingkan kinerja EfficientNet. Skenario A yaitu melakukan klasifikasi dengan dataset asli, tanpa preprocessing CLAHE dan tanpa augmentasi GAN. Skenario B melakukan klasifikasi dengan dataset yang sudah diaugmentasi dengan GAN. Sedangkan, skenario C melakukan klasifikasi dengan dataset yang diaugmentasi dengan GAN dan melalui preprocessing CLAHE. Metrik evaluasi yang digunakan untuk mengukukur kinerja adalah akurasi, sensitivity, dan specifity. Pada skenario A dengan rasio splitting data 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 89,01% dan 88,52%. Sedangkan, pada skenario B dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 87,10% dan 89,86%. Pada Skenario C dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 88,97% dan 91,27%. Skenario terbaik adalah skenario C dengan rasio 80:10:10 dengan nilai akurasi tertinggi 92,96%, sensitivity tertinggi mencapai 93,55%, dan specifity tertinggi mencapai 95,00%.
Age-related macular degeneration (AMD) is a degenerative disease of the macula that causes central vision impairment in the elderly. Globally, the number of people diagnosed with AMD reaches 170 million. In 2018, AMD became the third leading cause of blindness in Indonesia, following cataracts and refractive errors. One technological approach in the field of medicine is utilizing data science and deep learning to detect and diagnose eye diseases. One of the most effective deep learning methods for understanding image-based data is the Convolutional Neural Network (CNN). Among the developed CNN architectures, EfficientNet is one of the most effective in achieving the best accuracy in image classification tasks while being computationally efficient. The data used in this research consists of fundus retinal images sourced from four open source databases. There are two classes: Normal and AMD. Combining multiple datasets presents several issues, such as differences in image dimensions and contrast. Before the dataset is used to train the model, preprocessing is conducted using centered crop, resize, and Contrast Limited Adaptive Histogram Equalization (CLAHE). Another emerging issue is the small dataset size due to the difficulty of obtaining patient medical data. One method that can provide a solution is the Generative Adversarial Network (GAN), which is used to generate synthetic image data. This study proposes to implement GAN to enhance the performance of the EfficientNet model in detecting AMD. To achieve this, three scenarios were created to compare the performance of EfficientNet. Scenario A involves classification with the original dataset, without CLAHE preprocessing and without GAN augmentation. Scenario B involves classification with the dataset augmented by GAN. Scenario C involves classification with the dataset augmented by GAN and processed through CLAHE preprocessing. The evaluation metrics used to measure performance are accuracy, sensitivity, and specificity. In Scenario A, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 89.01% and 88.52%, respectively. In Scenario B, with the same data splitting ratios, the average accuracy obtained was 87.10% and 89.86%, respectively. In Scenario C, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 88.97% and 91.27%, respectively. The best scenario is Scenario C with a ratio of 80:10:10, achieving the highest accuracy of 92.96%, the highest sensitivity of 93.55%, and the highest specificity of 95.00%."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Athia Asparini
Efek terapi elektroakupunktur terhadap perubahan gambaran Foto Fundus Makula dan Perubahan Visus pada pasien Dry Age-related Macular Degeneration = The effect of electroacupuncture therapy towards Macular Fundus Photography and Visual Acuity Development on Dry Age-related Macular Degeneration Patients.
"Degenerasi makula yang berhubungan dengan penuaan (age-related macular degeneration: AMD) adalah kelainan degeneratif pada makula yang ditandai oleh satu atau lebih dari beberapa gejala berikut, yaitu pembentukan drusen, kelainan epitel pigmen retina yang berupa hipopigmentasi atau hiperpigmentasi, atrofi geografik epitel pigmen retina dan koriokapiler yang melibatkan bagian sentral fovea, makulopati neovaskular (eksudatif). AMD terbagi menjadi 2 tipe, dry AMD dengan angka kejadian mencapai 80-90% kasus AMD, dan sisanya adalah tipe kedua yaitu wet AMD. Pengobatan dry AMD sendiri, hingga saat ini belum menunjukkan hasil efektif dalam mencegah progresifitasnya. Dry AMD sampai saat ini belum memiliki pengobatan standar, disebabkan oleh patofisiologi penyakit yang belum terlalu jelas, oleh karena itu penelitian untuk menemukan terapi untuk dry AMD terus dilakukan. Akupunktur terbukti dapat mengurangi gejala dry AMD, meningkatkan visus sehingga dapat meningkatkan kualitas hidup pasien. Elektroakupunktur merupakan intervensi yang menstimulasi titik akupunktur menggunakan aliran listrik. Dibandingkan dengan akupunktur manual, elektroakupunktur memiliki kelebihan seperti stimulasi yang dihasilkan lebih intensif, terukur dan konstan. Penelitian ini menilai efek elektroakupunktur terhadap perubahan gambaran foto fundus makula dan perubahan visus pada pasien dry AMD. Tiga puluh empat pasien dibagi secara acak menjadi dua kelompok, kelompok elektroakupunktur (n = 17) dan kelompok elektroakupunktur sham (n = 17). Kedua kelompok menerima sesi elektroakupunktur yang sama, 2 kali/minggu selama 6 minggu. Penilaian gambaran foto fundus makula dan penilaian visus dilakukan sebelum dan sesudah sesi terapi. Hasil menunjukkan terdapat perbedaan bermakna pada perubahan foto fundus makula (p=0,001, CI 95%) dan perubahan visus (p=0,001, CI 95%) antara kelompok elektroakupunktur dan kelompok elektroakupunktur sham sebelum dan sesudah sesi terapi. Penemuan ini menunjukkan bahwa terapi elektroakupunktur memberikan efek yang baik terhadap gejala klinis dan visus pasien dry AMD.
Age-related macular degeneration or known as AMD is a macular degeneration that posts certain symptoms such drusens, hypopigmentation or hyperpigmentation on retinal pigment epithelium, geographic atrophy and choroidal capillary that affects fovea centralis, and neovascular maculopathy (exudative). Two types of AMD are dry AMD that covers 80-90% cases of AMD and wet AMD. Until now, dry AMD treatment has not been effective to prevent its progression. Since the pathophysiology has been cleared, the research to cure dry AMD must be conducted. Acupuncture is proven to prevent the symptoms of dry AMD, increase the visual acuity, and patients life quality. Electroacupuncture is a form of intervention that stimulates the point using electric current. Compared to manual acupuncture, electroacupuncture can produce more intensive, measurable and constant. This research assesses the changes in the macular fundus photography and visual acuity on dry AMD patient. Thirty-four patients are divided into two groups; Electroacupuncture group (n=17) and sham group (n=17). Both groups receive the same amount of electroacupuncture session which is twice a week for six weeks. Assessment towards the macular fundus photography and visual acuity will be conducted before and after a session. The result shows differences in macular fundus photography (p=0,001, CI 95%) and visual acuity (p=0,001, CI 95%) between electroacupuncture group and sham group before and after sessions. The findings show that electroacupuncture gives positive results towards symptoms in fundus photography and visual acuity of dry AMD patients."
2019: Fakultas Kedokteran Universitas Indonesia, 2019
T57668
UI - Tesis Membership  Universitas Indonesia Library
cover
Yulia Margareta L. Toruan
Komplikasi Okular pada Anak dengan Sindrom Nefrotik Idiopatik yang Mendapat Terapi Kortikosteroid Oral Jangka Panjang = Ocular Complications in Children with Idiopathic Nephrotic Syndrome Who Received Long Term Oral Corticosteroid Therapy
"Katarak subkapsular posterior (SKP) dan peningkatan tekanan intraokular (TIO) adalah komplikasi okular tersering akibat penggunaan kortikosteroid oral. Hal ini dapat terjadi pada pemberian dosis tinggi dan jangka panjang. Di Indonesia, tidak data mengenai hubungan antara dosis dan lama terapi terhadap kedua komplikasi tersebut pada anak sindrom nefrotik idiopatik (SNI). Tujuan penelitian ini adalah untuk mengetahui hubungan antara dosis kumulatif, lama terapi dengan kejadian katarak SKP maupun peningkatan TIO pada anak SNI di rumah sakit Cipto Mangunkusumo (RSCM). Studi ini merupakan studi potong lintang pada anak SNI usia 4-18 tahun yang mendapat terapi kortikosteroid oral minimal enam bulan secara terus menerus. Pemeriksaan mata lengkap dilakukan untuk mengevaluasi katarak SKP, tajam penglihatan dan peningkatan TIO. Dari 92 anak yang dianalisis, terdapat 19,6% anak yang menderita katarak SKP, 12% anak dengan peningkatan TIO dan satu anak dengan best corrected visual acuity (BCVA) <6/20. Median dosis kumulatif kortikosteroid oral adalah 12.161 mg (rentang 1.795-81.398) dan median lama terapi adalah 23 bulan (rentang 6-84). Terdapat hubungan antara dosis kumulatif (P=0,007) dan lama terapi (P=0,006) terhadap kejadian katarak SKP dengan titik potong optimal 11.475 mg dan 24 bulan. Jenis kelamin perempuan akan meningkatkan kejadian katarak SKP sebesar empat kali dibandingkan lelaki (PR=4; IK 95%=1,57-13,38; P=0.001). Penelitian ini menunjukkan makin tinggi dosis kumulatif dan/atau makin lama terapi kortikosteroid oral, maka makin besar angka kejadian katarak SKP (nilai batasan ≥ 11.475 mg dan ≥ 24 bulan). Dosis kumulatif dan lama terapi tidak berhubungan dengan kejadian peningkatan TIO.
Posterior subcapsular cataract (PSC) and raised intraocular pressure (IOP) are the most common ocular complications due to administration oral corticosteroid. These can occur in high dose and long term use. In Indonesia, no data regarding correlation between dose, therapeutic duration and both complications in children with idiopathic nephrotic syndrome (INS). The aim of this study was to determine the correlation between cumulative dose, therapeutic duration with the occurrence of PSC and raised IOP in children with INS at Cipto Mangunkusumo Hospital (CMH). This is a cross-sectional study of children with INS aged 4-18 years who received oral corticosteroid therapy for at least six months continuously. A complete eye examination was performed to evaluate PSC, raised IOP and visual acuity. Of the 92 children analyzed, 19.6% had PSC, 12% had IOP elevation and one child with best corrected visual acuity (BCVA) <6/20. The median cumulative dose of oral corticosteroids was 12,161 mg (range 1,795-81,398) and the median duration of therapy was 23 months (range 6-84). There were association between cumulative dose (P=0.007) and duration of therapy (P=0.006) to the occurrence of PSC with cut off value 11,475 mg and 24 months. Female sex will increase the occurence of PSC four times compared to male (PR=4; 95% CI=1.57-13.38; P=0.001). This study revealed that the higher cumulative dose and/or the longer of oral corticosteroid therapy, the higher occurence of PSC (cut off value ≥ 11.475 mg and ≥ 24 months). Cumulative dose and therapeutic duration were not associated with the occurence of raised IOP."
Jakarta: Fakultas Kedokteran Universitas Indonesia, 2019
SP-pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Elkania Samanta Nagani
Deteksi Penyakit Mata pada Fundus Image Menggunakan Metode CO-ResNet Convolution Neural Network (CNN) = Detection of Eye Disease on Fundus Image Using CO-ResNet Convolution Neural Network (CNN) Method
"Penyakit mata perlu pendeteksian dan diagnosis yang tepat mengingat peran organ mata yang penting dalam kehidupan. Salah satu cara mendeteksi penyakit mata yang menyebabkan kebutaan adalah melalui ophthalmoscopy, dengan hasil pemeriksaan berupa citra fundus. Penelitian ini menggunakan metode Convolution Neural Network (CNN) dengan arsitektur CO-ResNet. Data yang digunakan dalam penelitian ini diambil dari online database yang berisi data multi-kelas penyakit mata. Preprocessing crop center dan resize digunakan dalam penelitian ini agar ukuran data citra dapat dijadikan input model. Fungsi optimasi untuk meminimalkan loss function ketika melatih model yang digunakan dalam penelitian ini adalah fungsi Adam dengan setting hyperparameter learning rate, epoch, 𝛽1 , dan 𝛽2 . Fungsi loss yang digunakan untuk masalah pengklasifikasian multikelas dalam penelitian ini adalah categorical cross entropy. Hasil penelitian menunjukan nilai yang diperoleh dengan training loss terkecil sebesar 0,4066 dan validation loss terkecil sebesar 0,4950. Sementara itu, nilai training accuracy terbaik sebesar 87% dan validation accuracy terbaik sebesar 79%. Setelah melalui proses training, dilakukan proses testing untuk mengevaluasi kinerja model. Hasil testing terbaik yang didapat dengan nilai testing accuracy sebesar 75,25%, precision sebesar 75,6%, recall sebesar 75,4%, dan F1-score sebesar 75,4%. Secara keseluruhan, metode CO- ResNet bekerja dengan cukup baik dalam mengklasifikasi dan mendeteksi penyakit mata.
Eye diseases need proper detection and diagnosis considering the important role of eye organs in life. One way to detect eye diseases that cause blindness is through ophthalmoscopy, with the results of the examination being an image of the fundus. This research uses the Convolution Neural Network (CNN) method with CO-ResNet architecture. The data used in this study were taken from an online database containing data on multi-class eye diseases. Preprocessing crop center and resize are used in this study so that the size of the image data can be used as model input. The optimization function to minimize the loss function when training the model used in this study is the Adam function with the hyperparameters setting are learning rate, epoch, 𝛽1, and 𝛽2. The loss function used for the multiclass classification problem in this study is categorical cross entropy. The results showed that the value obtained with the smallest training loss was 0.4066 and the smallest validation loss was 0.4950. Meanwhile, the best training accuracy value is 87% and the best validation accuracy is 79%. After going through the training process, a testing process is carried out to evaluate the performance of the model. The best testing results were obtained with testing accuracy values of 75.25%, precision of 75.6%, recall of 75.4%, and F1-score of 75.4%. Overall, the CO-ResNet method works quite well in classifying and detecting eye diseases."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Jordan Sardjan
Korelasi Antara Nilai Controlled Attenuation Parameter (CAP) Steatosis Hati dengan Skor SYNTAX Lesi Koroner Pada Pasien Penyakit Jantung Koroner (PJK) Signifikan = Correlation Between Controlled Attenuation Parameter (CAP) Value and SYNTAX Score in Patient with Significant Coronary Artery Disease (CAD)
"Latar Belakang: Penyakit kardiovaskular terutama penyakit jantung koroner (PJK) merupakan penyebab utama kematian pasien dengan penyakit perlemakan hati non-alkoholik (PPHNA). Pengukuran controlled attenuation parameter (CAP) menilai derajat steatosis hati secara non-invasif dan terukur, sementara skor SYNTAX dapat menggambarkan derajat aterosklerosis koroner dan membantu pemilihan modalitas revaskularisasi koroner (PCI atau CABG). Hingga saat ini, belum diketahui korelasi antara nilai CAP dengan skor SYNTAX pada pasien PJK signifikan. Tujuan: Mengetahui korelasi antara nilai CAP steatosis hati dengan skor SYNTAX lesi koroner pada pasien PJK signifikan. Metode: Studi potong lintang dengan populasi terjangkau adalah pasien dewasa yang menjalani tindakan angiografi koroner di ruang cathlab Rumah Sakit Cipto Mangunkusumo pada bulan Juli hingga Oktober 2023 dan terbukti menderita PJK signifikan. Selanjutnya dilakukan anamnesis, pemeriksaan fisik, pemeriksaan darah, penilaian CAP dengan elastografi transien, dan penghitungan skor SYNTAX. Analisis data dilakukan untuk mencari koefisien korelasi antara nilai CAP dengan skor SYNTAX. Hasil: Didapatkan 124 subjek penelitian dengan dengan rasio laki-laki berbanding perempuan 5:1 dan rerata usia 59,8 ± 11,1 tahun. Rerata IMT 25,6 ± 3,5 kg/m2, dengan 54,8% subjek tergolong obesitas. Sebanyak 94,4% dan 55,6% subjek menderita hipertensi dan DM, dengan tekanan darah dan parameter glikemik relatif terkontrol. Rerata HDL 38,8 ± 10,8 mg/dL dengan 55,6% subjek memiliki HDL rendah, dan median LDL 109,5 mg/dL dengan 89,5% subjek belum mencapai target LDL. Rerata nilai CAP 256,5 ± 47,3 dB/m, dengan 52,5% subjek (IK 95%: 43,3% - 61,5%) menderita steatosis signifikan (nilai CAP ≥ 248 dB/m), Median skor SYNTAX 22. Uji korelasi Spearman menunjukkan korelasi positif dan signifikan antara nilai CAP dengan skor SYNTAX (r = 0,245, p < 0,0001). Kesimpulan: Diantara pasien dengan PJK signifikan, 52,5% diantaranya memiliki steatosis hati non-alkoholik signifikan. Terdapat korelasi positif dan bermakna antara nilai CAP dengan skor SYNTAX pada pasien PJK signifika.
Background: Cardiovascular diseases, particularly coronary artery disease (CAD), is the leading cause of death in patients with non-alcoholic fatty liver disease (NAFLD). The controlled attenuation parameter (CAP) measurement assesses the degree of liver steatosis in a non-invasive and measurable manner, while the SYNTAX score depicts the degree of coronary atherosclerosis and aids in the selection of coronary revascularization modalities (PCI or CABG). To date, the correlation between CAP values and SYNTAX scores in patients with significant CAD remains unknown. Objective: To determine the correlation between controlled attenuation parameter (CAP) value of liver steatosis and SYNTAX score of coronary lesions in patients with significant CAD. Methods: This cross-sectional study was conducted on an accessible population of adult patients who underwent coronary angiography at Cipto Mangunkusumo Hospital catheterization laboratory from July to October 2023, and were proven to have significant CAD. Anamnesis, physical examination, blood tests, CAP assessment with transient elastography, and SYNTAX score calculation were performed. Data analysis was conducted to find the correlation coefficient between CAP values and SYNTAX scores. Results: A total of 124 patients were included in this study, with a mean age of 59.8 ± 11.1 years and 5:1 of male to female ratio. The mean BMI was 25.6 ± 3.5 kg/m2, with 54.8% subjects classified as obese. A total of 94.4% and 55.6% subjects were hypertensive and diabetic with relatively controlled blood pressure and glycemic parameters. The mean HDL was 38.8 ± 10.8 mg/dL with 55.6% of the subjects having low HDL, and a median LDL of 109.5 mg/dL, with 89.5% of the subjects yet to achieve the optimal LDL target. The mean CAP value was 256.5 ± 47.3 dB/m, with 52.5% of the subjects having significant steatosis (CAP value ≥ 248 dB/m). The median SYNTAX score was 22. The Spearman correlation test showed a positive and significant correlation between CAP values and SYNTAX score (r = 0.245, p < 0.0001). Conclusion: Among patients with significant CAD, 52.5% have significant non-alcoholic hepatic steatosis. There is a positive and significant correlation between CAP values and SYNTAX scores in patients with significant CAD."
Jakarta: Fakultas Kedokteran Universitas Indonesia, 2024
SP-pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Ardanareswari Chaerani
Perbandingan Kinerja Metode Convolutional Neural Network-Deep Belief Network (CNN-DBN) dengan Metode Convolutional Neural Network-Support Vector Machine (CNN-SVM) dalam Klasifikasi Glaukoma pada Citra Fundus = Performance Comparison of The Convolutional Neural Network-Deep Belief Network (CNN-DBN) Method with The Convolutional Neural Network-Support Vector Machine (CNN-SVM) Method for Classifying Glaucoma on Fundus Image
"Glaukoma adalah salah satu penyebab kebutaan terbanyak kedua di dunia yang disebabkan oleh tekanan yang meninggi pada bola mata. Dalam proses mendiagnosa glaukoma, dibutuhkan waktu yang lama dikarenakan tidak ada perubahan secara signifikan pada citra fundus. Pada penelitian ini, penulis menggunakan Convolutional Neural Network (CNN) untuk mengekstraksi fitur dan metode klasifikasi Deep Belief Network (DBN) dalam mengklasifikasi glaukoma pada data citra fundus. Hasil pada model CNN-DBN dibandingkan dengan metode ekstraksi fitur CNN dan klasifikasi Support Vector Machine (SVM) yang dinamakan model CNN-SVM. Arsitektur CNN yang digunakan pada penelitian ini adalah ResNet-50. Dataset yang digunakan dalam penelitian ini diperoleh dari 2 online database, yaitu cvblab dan kroy1809. Pada proses ekstraksi fitur, model dilatih dari fully connected layer pada ResNet-50. Kemudian, vektor fitur dari fully connected layer diklasifikasi menggunakan metode klasifikasi DBN dan SVM. Berdasarkan hasil simulasi, CNN-DBN memiliki hasil akurasi, precision, dan recall terbaik dibandingkan dengan metode CNN-SVM dan CNN dengan akurasi 96.46%, precision 95.86%, dan recall 98.05% pada pembagian dataset training dan testing 70:30.
Glaucoma is the second most common factor of blindness in the world caused by the increasing pressure on the eyeball. It takes a long time to diagnose glaucoma due no significant change in the fundus image. In this study, the author used the Convolutional Neural Network (CNN) to extract the features and the Deep Belief Network (DBN) classification method to classify glaucoma in fundus images. The results on the CNN-DBN model will be compared with to the CNN feature extaction method and the Support Vector Machine (SVM) classification method, named the CNN-SVM model. The CNN architecture used in this study is ResNet-50. The dataset used in this study are from 2 online database, cvblab and kroy1809. In the feature extraction process, the model is trained using the CNN method with the ResNet-50 architecture. Afterward, the feature vectors of the fully connected layer are classified using the DBN and SVM classification methods. Based on the simulation results, CNN-DBN has the best results than CNN-SVM and CNN method with the accuracy of 90%, precision of 95%, and recall of 92% with splitting data training and testing of 70:30."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rivan Pratama Yuda
Convolutional Neural Networks untuk Klasifikasi Data Kanker Paru-Paru Berdasarkan Citra MRI = Convolutional Neural Networks for Lung Cancer Data Classification Based on MRI Image
"Penyakit masih menjadi permasalahan yang serius di seluruh dunia, tidak terkecuali Indonesia. Salah satu jenis penyakit yang menjadi penyebab kematian manusia nomor satu di dunia adalah kanker, dengan kanker paru-paru yang menduduki peringkat pertama. Untuk mengetahui kondisi seseorang memiliki sel kanker atau tidak di dalam tubuhnya, diperlukan pemeriksaan seperti pemeriksaan fisik, CT-Scans dan MRI. Pemeriksaan ini digunakan oleh dokter dalam melakukan diagnosa pasien terhadap penyakit kanker. Walaupun telah dilakukan pemeriksaan secara detail, masih sering ditemukan kekeliruan atau kesalahan yang dilakukan oleh dokter dalam memberikan diagnosa. Oleh karena itu, semakin berkembangnya zaman banyak metode yang dapat digunakan dalam mengatasi permasalahan tersebut, salah satunya dengan metode Convolutional Neural Networks. Metode ini merupakan perkembangan dari metode Neural Networks dan akan digunakan dalam melakukan klasifikasi kanker paru-paru berdasarkan data citra MRI. Convolutional Neural Networks memiliki performa yang lebih baik daripada Neural Networks dalam mengklasifikasikan serta memprediksi data kanker paru-paru berdasarkan citra MRI. Hal ini dibuktikan dengan nilai akurasi yang diperoleh dari metode Convolutional Neural Networks lebih besar daripada nilai akurasi metode Neural Networks, yaitu 90% untuk Convolutional Neural Networks dan 66.7% untuk Neural Networks.
Disease still a serious problem throughout the world, include Indonesia. One types of diseases that is the number one cause of human death in the world is cancer, with lung cancer ranked first. To find out the condition of a person has cancer cells or not in the body, it requires examinations such as physical examination, CT-Scans and MRI. This examination is used by doctors in diagnosing patients for cancer. Although a detailed examination has been carried out, it is still often found errors was made by the doctor in provided a diagnosis. Therefore, the development of this era, many methods that can be used to overcome these problems, one of them is the Convolutional Neural Networks method. This method is a development of the Neural Networks method and will be used in classifying lung cancer based on MRI image data. Convolutional Neural Networks has better performance than Neural Networks in classifying and predicting lung cancer data based on MRI images. This is evidenced by the accuracy value obtained from the Convolutional Neural Networks method greater than the accuracy value of the Neural Networks method, which is 90% for Convolutional Neural Networks and 66.7% for Neural Networks."
Depok : Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Denie Kartono
Korelasi antara ketebalan otot ekstraokular pada CT Scan orbita dengan derajat oftalmopati graves = Correlation between extraocular muscles diameter in orbital CT Scan with graves ophthalmopathy severity.
"Latar Belakang: CT scan orbita merupakan modalitas radiologi yang mudah dan efisien untuk menilai adanya penebalan otot ekstraokular pada penderita oftalmopati Graves. Penebalan otot ekstraokular memiliki korelasi dengan masing-masing derajat oftalmopati Graves. Di Indonesia, belum ada korelasi antara ketebalan otot ekstraokular dengan derajat oftalmopati Graves menurut klasifikasi NOSPECS.
Tujuan: Mendapatkan nilai korelasi antara ketebalan otot ekstraokular pada CT scan orbita dengan derajat oftalmopati Graves.
Metode: Penelitian ini menggunakan desain potong lintang dengan metode consecutive sampling. Sampel penelitian berjumlah 89 orbita yang berasal dari 50 pasien penderita oftalmopati Graves yang telah menjalani pemeriksaan CT scan orbita di Departemen Radiologi RSUPN Cipto Mangunkusumo periode Januari 2012 hingga Desember 2016. Penelitian dilakukan sejak Februari hingga Maret 2017. Pengukuran ketebalan otot ekstraokular pada CT scan orbita dilakukan setelah meninjau ulang derajat oftalmopati Graves melalui hasil pemeriksaan oftalmologi.
Hasil: Terdapat perbedaan bermakna di antara rerata ketebalan otot ekstraokular menurut derajat oftalmopati Graves (p<0,05). Uji korelasi Spearman didapatkan korelasi yang bermakna dan nilai r yang bervariasi di antara ketebalan otot ekstraokular dengan derajat oftalmopati Graves. Nilai r=0,43 untuk rektus medial, r=0,37 untuk rektus lateral, r=0,49 untuk rektus superior, r=0,45 untuk rektus inferior dan r=0,57 untuk ketebalan total ekstraokular.
Kesimpulan: Terdapat korelasi positif sedang antara ketebalan otot ekstraokular pada CT scan orbita dengan derajat oftalmopati Graves.
Background: CT scan is an easy and efficient radiological modality to measure extraocular enlargement in the patient with Graves' ophthalmopathy disease. Extraocular muscles enlargements were had correlated with each grade of Graves' ophthalmopathy. In Indonesia, there is not yet a study about correlation between extraocular muscles diameter in orbital CT scan with Graves' ophthalmopathy severity based on NOCPECS classification.
Purpose: To obtain the correlation values between extraocular muscles diameter in orbital CT scan with Graves' ophthalmopathy severity.
Method: This study used a cross sectional design. Eighty nine samples from fifty patients with Graves' opthalmopathy were chosen using consecutive sampling from patients that underwent orbital CT scan at the Radiology Departement of the Indonesia University's Faculty of Medicine' Cipto Mangunkusumo Hospital from time periode January 2012 until December 2016. This study was done from February until March 2017. The measurement of extraocular muscles diameter in orbital CT scan was performed after had reviewed Graves' ophthalmopathy severity from ophthalmology examination on medical record.
Results: There are significantly differences between extraocular muscles diameter mean with Graves' ophthalmopathy severity (p<0,05). Spearman correlation test between extraocular muscles diameter with Graves' ophthalmopathy grading shows significant correlation with varied r values, r=0,43 for rectus medial, r=0,37 for rectus lateral, r=0,49 for rektus superior, r=0,45 for rectus inferior and r=0,57 for total diameters of extraocular muscles.
Conclusion: There is a moderate positive correlation between extraocular muscles diameter in orbital CT scan with Graves' ophthalmopathy severity."
Jakarta: Fakultas Kedokteran Universitas Indonesia, 2018
SP-pdf
UI - Tugas Akhir  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>