Skripsi/Tugas Akhir

Implementasi Deep Learning pada Sistem Deteksi Penyakit Mata Retinoblastoma

---

Rating Anda tentang Buku/Tulisan ini!

---

ABSTRAK
Retinoblastoma merupakan jenis kanker mata yang sering menyerang anak-anak dan membutuhkan deteksi dini untuk meningkatkan peluang penyembuhan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini retinoblastoma berbasis deep learning menggunakan model Convolution Neural Network (CNN) yang diintegrasikan dengan sistem berbasis web. Model CNN yang digunakan adalah arsitektur Xception yang telah dimodifikasi dengan tambahan convolution, pooling, fully connected layer dan dropout layer pada bagian exit flow untuk meningkatkan performa. Dataset yang digunakan terdiri dari gambar mata yang diklasifikasikan ke dalam dua kategori Healthy dan RB. Model dilatih dan dievaluasi berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model CNN yang diusulkan mencapai akurasi sebesar 94% pada data testing. Confusion matrix menunjukkan bahwa model mampu mengklasifikasikan gambar dengan baik pada setiap kategori. Model yang telah dilatih kemudian diintegrasikan ke dalam sistem berbasis web, memungkinkan pengguna untuk mengunggah gambar mata dan mendapatkan hasil deteksi secara langsung. Dengan hasil ini, sistem yang dikembangkan memiliki potensi dalam membantu deteksi dini retinoblastoma dan dapat menjadi alat pendukung sebelum pasien berkonsultasi dengan dokter mata.
Kata Kunci: Retinoblastoma, Convolution Neural Network (CNN), Deep Learning, Deteksi Dini, Sistem Berbasis Web

ABSTRACT
Retinoblastoma is a type of eye cancer that commonly affects children and requires early detection to increase the chances of recovery. This study aims to develop an early detection system for retinoblastoma using deep learning with a CNN model integrated into a web-based system. The CNN model used is the Xception architecture, which has been modified with additional convolution, pooling, fully connected, and dropout layers in the exit flow to enhance performance. The dataset consists of eye images classified into two categories: Healthy and RB. The model was trained and evaluated using accuracy, precision, recall, and F1-score metrics. The evaluation results show that the proposed CNN model achieves 94% accuracy on the test data. The confusion matrix indicates that the model effectively classifies images into the correct categories. The trained model was then integrated into a web-based system, allowing users to upload eye images and receive detection results instantly. These findings suggest that the developed system has the potential to assist in the early detection of retinoblastoma and serve as a supportive tool before patients consult an ophthalmologist.
Keywords: Retinoblastoma, Convolution Neural Network (CNN), Deep Learning, Web-Based System

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 25-51 ADE i - 0866TI

Penerbit

Makassar : Universitas DIPA., 2025

Deskripsi Fisik

xiv + 64 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 25-51

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 28 Februari 2025

Subjek

Skripsi/Tugas Akhir
Convolutional Neural Network
Deep Learning

Lampiran File