KLASIFIKASI CITRA FUNDUS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK Repository

KLASIFIKASI CITRA FUNDUS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

WAHYUDI SETIAWAN (2019) KLASIFIKASI CITRA FUNDUS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. Doctoral thesis, UNIVERSITAS AIRLANGGA.

	Text (ABSTRAK) ABSTRAK.pdf Download (2MB)
	Text (FULLTEXT) WAHYUDI SETIAWAN.pdf Restricted to Repository staff only Download (12MB) \| Request a copy

Official URL: http://lib.unair.ac.id

Abstract

Convolutional Neural Network (CNN) merupakan metode deep learning yang melakukan pembelajaran secara jUpervised. Jenis arsitektur CNN yang telah wnum digunakan yaitu AlexNet, Visual Geometry Group 16 (VGG16), VGG19, ResNet50, ResNetlOI, GoogleNet, Inception-V3, Inception ResNet-V2, dan Squeezenet. Arsitektur CNN tersebut terdiri dari 25 hingga 825 layer. Semakin banyak jwnlah layer, semakin besar jumlah parameter yang melakukan pembelajaran. Penelitian ini bertujuan untuk menyederhanakan jumlah layer pada arsitektur CNN sekaligus meningkatkan prosentase akurasi. Data ujicoba menggunakan citra fundus. Klasifikasi citra fundus mengelompokkan dua kategori citra yang terdiri dari normal dan neovaskularisasi. Penelitian ini terdiri dari tiga tahapan. Pertama, klasifikasi citra fundus menggunakan CNN. Kedua, klasifikasi citra fundus menggunakan CNN dan met ode optimasi. Ketiga, klasifikasi citra fundus menggunakan modi:fikasi CNN. Tahap pertama dilakukan klasifikasi citra fundus menggunakan 9 arsitektur CNN dan metode Support Vector Machine. Tahap kedua dilakukan klasi:fikasi citra fundus menggunakan 9 arsitektur CNN dengan metode optimasi gradient descent. Optimasi gradient descent menggunakan Gradient Descent with Momentum (GDM), Root Means Square Propagation (RMSProp), dan Adaptive Moment Optimization (Adam). Tahap ketiga dilakukan modifikasi arsitektur CNN berdasarkan basil tahap 1 dan tahap 2. Modifikasi layer bertujuan untuk mendapatkan layer yang lebih sederhana dengan basil akurasi lebih baik dari tahap I dan 2. Data yang digunakan untuk klasifikasi adalah MESSIDOR dan Retina Image Bank sejumlah 2.080 patch. Hasil ujicoba tahap I menunjukkan akurasi tertinggi menggunakan arsitektur VGG19 yaitu 89,3%. Hasil ujicoba tahap 2 menunjukkan akurasi tertinggi menggunakan arsitektur VGG 16 yaitu 92,31%. Arsitektur VGG 19 terdiri dari 47 layer, sedangkan VGG16 terdiri dari 41 layer. Pada tahap 3 dilakukan penyederhanaan arsitektur VGG. Hasil ujicoba menunjukkan akurasi hingga 93,17% untuk data asli dan 99,33% untuk data augmentasi menggunakan arsitektur modifikasi VGG 31 layer.

Item Type:

Thesis (Doctoral)

Uncontrolled Keywords:

convolutional neural network, klasifikasi fundus, Inodifikasi layer CNN,VGG 31 layer, optimasi gradient descen

Subjects:

L Education

Divisions:

08. Fakultas Sains dan Teknologi > Program Studi Matematika dan IPA (S3)

Creators: