Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak-Reference-Cited by-同舟云学术

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

Published:2023-12-24 Issue:4 Volume:2 Page:167-175
ISSN:2829-7342
Container-title:sudo Jurnal Teknik Informatika
language:
Short-container-title:sudo j. Teknik inform.

Author:

Ramadhani Fanny,Satria Andy,Salamah Salamah

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.

Publisher

Ilmu Bersama Center

Reference21 articles.

1. 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.

2. 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.

3. 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.

4. 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

5. 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.