IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI PENYAKIT DRY EYE DISEASE BERDASARKAN GAMBAR

Wibowo, Fajar Arief (2025) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI PENYAKIT DRY EYE DISEASE BERDASARKAN GAMBAR. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) BAB 0.pdf Download (3MB)
	Text (BAB 1) BAB 1.pdf Download (389kB)
	Text (DAFTAR PUSTAKA) DAPUS.pdf Download (366kB)
	Text (FULL BAB SKRIPSI) FULL BAB.pdf Restricted to Repository staff only Download (4MB)
	Text (LAMPIRAN) LAMP.pdf Download (1MB)

Abstract

Dry Eye Disease (DED) adalah gangguan pada permukaan mata yang terjadi akibat ketidakseimbangan produksi maupun kualitas air mata, sehingga menyebabkan rasa tidak nyaman dan gangguan penglihatan. Teknik diagnosis tradisional seperti Schirmer’s Test dan Tear Breakup Time (TBUT) masih memiliki kelemahan, di antaranya subjektivitas penilaian dan keterbatasan akses di wilayah yang minim fasilitas medis. Oleh karena itu, penelitian ini bertujuan menerapkan algoritma Convolutional Neural Network (CNN) dengan arsitektur VGG16 untuk mendeteksi DED melalui analisis gambar mata statis yang diambil menggunakan kamera ponsel, agar diagnosis menjadi lebih cepat dan akurat. Model CNN dirancang dengan input citra beresolusi 224×224 piksel, filter 3x3, dan dilatih selama 10 epoch menggunakan 599 data latih. Hasil pelatihan menunjukkan akurasi sebesar 94,61%, sedangkan akurasi validasinya mencapai 98,32%. Evaluasi performa model menggunakan metrik akurasi, presisi, recall, F1- score, serta spesifisitas. Secara keseluruhan, model berhasil mencapai akurasi 96,6% dengan F1-score di atas 0,96 dan spesifisitas sebesar 0,93. Pengujian sistem pada 204 data uji baru menunjukkan distribusi hasil prediksi sebesar 52,94% untuk kelas Normal dan 47,06% untuk kelas DED. Hasil ini membuktikan bahwa model CNN mampu mengklasifikasikan DED secara efektif dan berpotensi mendukung proses diagnosis secara otomatis.

Actions (login required)

View Item