| dc.description.abstract | Perancangan ini membahas tentang sistem klasifikasi penyakit mata pada manusia berdasarkan citra fundus. Tujuannya adalah untuk menghasilkan model/sistem klasifikasi yang dapat digunakan untuk mengklasifikasikan penyakit mata dengan tingkat akurasi di atas 90%. Metode klasifikasi yang digunakan adalah Convolutional Neural Network (CNN) dengan menggunakan metode ekstraksi fitur tambahan berupa Gray Level Co-Occurance Matrix (GLCM) dan Local Binary Pattern (LBP). Pengujian dilakukan dengan empat kondisi yaitu CNN, GLCM + CNN, LBP + CNN, dan GLCM+LBP+CNN. Setiap kondisi dilakukan percobaan dengan variasi pada scenario data, learning rate, dan jumlah epoch. Analisis dilakukan menggunakan confusion matrix untuk mendapatkan nilai accuracy, precision, recall, dan f1-score dari hasil pengujian model. Hasil pengujian menunjukkan adanya pengaruh yang signifikan pada akurasi model setelah ditambahkan metode ekstraksi fitur seperti GLCM dan LBP. Hasil terbaik didapatkan pada model yang memadukan GLCM dan CNN dengan nilai accuracy training 97.71%, accuracy validation 88.31%, training loss 0.0711, validation loss 0.6567, accuracy (testing) 88.78%, precision (testing) 88.81%, recall (testing) 88.57%, dan f1-score (testing) 88.64%. | en_US |
