KUSUMAJI, Dimas Fawwaz Prabowo (2025) Optimasi Hyperparameter Arsitektur VGG19 dalam Klasifikasi Penyakit Glaukoma pada Citra Fundus Retina. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (193kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN.pdf Download (4MB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (2MB)
	Text 4. KATA PENGANTAR.pdf Download (197kB)
	Text 6. ABSTRAK.pdf Download (178kB)
	Text 7. ABSTRACT.pdf Download (178kB)
	Text 8. DAFTAR ISI.pdf Download (222kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (213kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (231kB)

Abstract

Glaukoma merupakan salah satu penyebab utama kebutaan permanen di dunia, dengan
prevalensi yang terus meningkat, termasuk di Indonesia. Diagnosis dini glaukoma sangat
krusial untuk mencegah kerusakan saraf optik yang bersifat irreversible. Metode diagnosis
konvensional seperti pemeriksaan visual field dan evaluasi optic disc membutuhkan waktu,
tenaga ahli, serta rentan terhadap subjektivitas. Pendekatan kecerdasan buatan berbasis citra
fundus retina memberikan solusi yang lebih cepat dan objektif dalam klasifikasi penyakit
ini. Penelitian ini menggunakan arsitektur Visual Geometry Group 19 (VGG19) dengan
teknik transfer learning, serta mengoptimasi hyperparameter utama seperti dropout,
learning rate, dan batch size. Arsitektur VGG19 dipilih karena terbukti mampu
mengekstraksi fitur visual secara mendalam dan konsisten menunjukkan akurasi tinggi
dalam berbagai studi klasifikasi citra medis, termasuk deteksi glaukoma. Dataset yang
digunakan merupakan gabungan dari dua sumber, yaitu ACRIMA dan RIM-ONE DL, yang
terdiri dari total 1.190 citra fundus retina berwarna dengan resolusi bervariasi, mencakup
568 kasus glaukoma dan 622 normal, di mana seluruh citra telah difokuskan pada bagian
optic disc. Model dilatih dan diuji menggunakan tiga skenario yang dibagi berdasarkan nilai
dropout-nya dengan pembagian data menjadi training, validation, dan testing. Evaluasi
performa dilakukan menggunakan metrik accuracy dan loss. Hasil terbaik diperoleh pada
model dengan kombinasi hyperparameter dropout 0,2, learning rate 10-6, dan batch size 16
dengan akurasi sebesar 95,53%. Hasil penelitian ini dapat menjadi dasar dalam
pengembangan sistem diagnosis glaukoma otomatis yang efisien dan dapat
diimplementasikan secara luas, terutama di daerah dengan keterbatasan tenaga medis dan
fasilitas kesehatan.
Kata kunci : glaukoma, VGG19, fundus retina, transfer learning, hyperparameter

Actions (login required)

View Item