Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPercobaan dimaksudkan untuk mendeteksi dini kelainan glaukoma. Citra berwarna dari hasil pemotretan fundus okuler penderita glaukoma yang merupakan penyebab kebutaan dan menunjukan kelainan gambaran pada dijadikan sample. Selanjutnya dengan memanfaatan teknologi pengolahan citra berupa proyeksi radial dilakukan analisis citra tersebut. Metoda ini tergantung pada fakta bahwa area defek mempunyai refleksi yang lebih rendah pada panjang gelombang hijau dan biru dibanding area normal.Metoda ini terdiri dari sampling dan sumasi(penjumlahan data) sepanjang garis radial antara dua lingkaran yang berpusat pada cup. Citra yang dipergunakan pada penelitian ini berupa foto fundus okuler berwarna yang didijitalisasi. Dari eksperimen ini dapat disimpulkan bahwa metoda ini dapat mendeteksi kelainan fundus yang relatif kecil dan dini yang biasanya hanya dapat ditemukan oleh ahli mata yang berpengalaman baik.Metoda ini juga dapat dikatakan lebih baik dan praktis dan pada teknik enhansmen karena tidak membutuhkan iluminasi kompensasi, juga karena dapat mendeteksi cup secara otomatis.Penelitian perlu dilanjutkan ke tahap aplikasi langsung tersebut sehingga penelitian ini semakin dekat pada pemanfaatan teknologi canggih ini untuk bidang kesehatan mata khususnya kelainan pada retina seperti glaukoma.

---

ABSTRACTEarly stage glaucoma can be diagnosed by finding retinal nerve fiber defect using color image processing. This method base on the refluctance of defect part has low value in green and blue wavelength. But the difference between defect part and their normal part is very littleHere, new method is proposed to detect that the small difference. This method consists of sampling and summation along the radial lines drawn between two circles whose centers are same and located at the center of the eye. Through experiments, it is found that the small difference of defect part that can be detected only by doctors with experience is detected by this method.It is considered that this method is better than the color enhancement. And also, the detection of cup and blood vessel has been shown as the method to assist the automatic processing.It is necessary to apply this method to many patients to check the usefulness of the method and will be continued to make full automatic processing system in the future."

"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."