Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak

Fanny Ramadhani; Andy  Satria; Salamah Salamah

doi:10.56211/sudo.v2i4.408

Authors

Fanny Ramadhani Universitas Negeri Medan, Medan
Andy Satria Universitas Dharmawangsa, Medan
Salamah Salamah Universitas Malikussaleh, Lhokseumawe

DOI:

https://doi.org/10.56211/sudo.v2i4.408

Keywords:

Mata; Katarak; Deep Learning; Convolutional Neural Network; Classification

Abstract

Katarak adalah kekeruhan pada lensa mata yang disebabkan oleh kalsifikasi fibrosa pada kapsul lensa atau bahan lensa. WHO memperkirakan sekitar 18 juta orang mengalami kebutaan pada kedua matanya akibat katarak, yang mencakup total 47,8% dari seluruh penyebab kebutaan mata. Katarak dapat diobati dengan mendeteksi penyakit sejak dini untuk mengurangi kerusakan akibat penyakit tersebut dengan bantuan dokter spesialis mata. Di Indonesia sendiri, akses terhadap dokter spesialis mata terkadang cukup sulit ditemukan, terutama di wilayah pedesaan Indonesia. Oleh karena itu penelitian ini akan membangun model klasifikasi yang digunakan untuk mendeteksi dini penyakit katarak dengan menggunakan bantuan machine learning menggunakan metode Convolutional Neural Network. Berdasarkan hasil penelitian ditemukan bahwa model yang dibangun dengan metode CNN dapat mendeteksi penyakit katarak dengan baik dibuktikan dengan tingkat akurasi sebesar 92,5%. Dengan demikian model ini dapat digunakan untuk mendeteksi penyakit katarak secara dini, kemudian model tersebut dapat diintegrasikan ke dalam berbagai platform seperti aplikasi berbasis mobile untuk memudahkan penggunaan.

Downloads

Download data is not yet available.

References

M. E. Khotimah and I. W. E. Sutyawan, “Karakteristik Penderita Katarak Kongenital Di Divisi Pediatri Oftalmologi Poliklinik Mata Rsup Sanglah Denpasar Periode 1 Januari–31 Desember 2015,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2020.

A. U. Detty, I. Artini, and V. R. Yulian, “Karakteristik Faktor Risiko Penderita Katarak,” J. Ilm. Kesehat. Sandi Husada, vol. 10, no. 1, pp. 12–17, 2021, doi: 10.35816/jiskh.v10i1.494.

A. Desiani, M. Erwin, B. Suprihatin, S. Yahdin, A. I. Putri, and F. R. Husein, “Bi-path Architecture of CNN Segmentation and Classification Method for Cervical Cancer Disorders Based on Pap-smear Images,” IAENG Int. J. Comput. Sci., vol. 48, no. 3, pp. 1–9, 2021.

A. Fitrianto and B. Sartono, “Image Classification of Beef and Pork Using Convolutional Neural Network in Keras Framework,” vol. 05, no. 02, pp. 5–8, 2021, [Online]. Available: https://journal.trunojoyo.ac.id/ijseit

S. Aich, S. Chakraborty, and H. C. Kim, “Convolutional neural network-based model for web-based text classification,” Int. J. Electr. Comput. Eng., vol. 9, no. 6, pp. 5185–5191, 2019, doi: 10.11591/ijece.v9i6.pp5185-5191.

Y. Achmad, R. C. Wihandika, and C. Dewi, “Klasifikasi emosi berdasarkan ciri wajah wenggunakan convolutional neural network,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 11, pp. 10595–10604, 2019.

R. Devine and M. Pawlus, Hands-On Deep Learning with R. Packt Publishing, 2020.

E. N. Arrofiqoh and H. Harintaka, “Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi,” Geomatika, vol. 24, no. 2, p. 61, 2018,doi: 10.24895/jig.2018.24-2.810.

Suyanto, K. N. Ramadhani, and S. Mandala, “Deep Learning Modernisasi Machine Learning untuk Big Data,” in DEEP LEARNING Modernisasi Machine Learning untuk Big Data, Informatika, 2019, pp. 33–41.

N. Padia, P. Siddharth, A. Hirpara, and D. Jani, “Cataract dataset.” https://www.kaggle.com/datasets/nandanp6/cataract-image-dataset

J. Han, M. Kamber, and J. Pei, Data mining: Data mining concepts and techniques. 2014. doi: 10.1109/ICMIRA.2013.45.

L. Alzubaidi et al., Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00444-8.

Q. Zhang, M. Zhang, T. Chen, Z. Sun, Y. Ma, and B. Yu, “Recent advances in convolutional neural network acceleration,” Neurocomputing, vol. 323, pp. 37–51, 2019, doi: 10.1016/j.neucom.2018.09.038.

D. H. Hubel and T. N. Wiesel, “Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex,” J. Physiol., vol. 160, no. 1, pp. 106–154, 1962, doi: 10.1113/jphysiol.1962.sp006837.

M. W. Ilahi, C. N. Apriyani, A. Desiani, N. Gofar, Y. Andriani, and M. R. Halim, “Classification of Geometric Batik Motif Typical of Indonesian Using Convolutional Neural Network,” J. Tek. Inform., vol. 15, no. 1, pp. 91–100, 2022, doi: 10.15408/jti.v15i1.24968.

M. W. Ilahi1, C. N. Apriyani, A. Desiani, N. Gofar, Y. Andriani, and M. R. Halim, “Classification of Geometric Batik Motif Typical of Indonesian Using Convolutional Neural Network,” vol. 15, no. 1, pp. 91–100, 2022.

A. K. Putra and H. Bunyamin, “Pengenalan Simbol Matematika dengan Metode Convolutional Neural Network ( CNN ),” vol. 2, no. November, pp. 426–433, 2020.

A. Farhah, A. L. Prasasti, and M. W. Paryasto, “Implementasi Recurrent Neural Network dalam Memprediksi Kepadatan Restoran Berbasis LSTM,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 524, 2021, doi: 10.30865/mib.v5i2.2916.

D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021.

D. Putra and A. Wibowo, “Prediksi Keputusan Minat Penjurusan Siswa SMA Yadika 5 Menggunakan Algoritma Naïve Bayes,” vol. 2, pp. 84–92, 2020.

E. Prasetyo, Data Mining: Konsep dan Aplikasi menggunakan Matlab. Yogyakarta: Andi Offset-2