Sistem klasifikasi jenis penyakit mata dengan menggunakan metode feature learning Convolutional Neural Network (CNN) dan eXtreme Gradient Boosting (XGBoost)

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Sari, Jayanti Fatma (2026) Sistem klasifikasi jenis penyakit mata dengan menggunakan metode feature learning Convolutional Neural Network (CNN) dan eXtreme Gradient Boosting (XGBoost). Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Jayanti Fatma Sari_09020222034 full.pdf Restricted to Repository staff only until 8 April 2029. Download (32MB)
	Text Jayanti Fatma Sari_09020222034.pdf Download (32MB)

Abstract

Penyakit pada mata dapat menyebabkan keterbatasan dalam melakukan aktivitas sehari-hari. Beberapa penyakit mata yang dapat menyebabkan kebutaan antara lain glaucoma, cataract, dan diabetic retinopathy. Penelitian ini bertujuan mengembangkan sistem klasifikasi jenis penyakit mata yang mampu membantu dokter dalam mendiagnosis penyakit mata menggunakan citra fundus. Metode yang digunakan yaitu menggabungkan Convolutional Neural Network (CNN) dengan arsitektur ResNet50 untuk proses ekstraksi fitur dan eXtreme Gradient Boosting (XGBoost) untuk proses klasifikasinya. Setiap citra diekstraksi menggunakan ResNet50 melalui lapisan Global Average Pooling sehingga menghasilkan vektor fitur berdimensi 2048, yang selanjutnya diklasifikasikan menggunakan XGBoost dengan uji coba kombinasi parameter. Pembagian data menggunakan K-Fold Cross Validation, kemudian dievaluasi kinerja sistemnya menggunakan akurasi, sensitivitas, spesifisitas, dan efisiensi waktu komputasinya. Hasil uji coba menunjukkan bahwa performa terbaik pada K = 10 dengan n estimators = 300, learning rate = 0.1, max depth = 5, min child weight = 1, gamma = 0, lambda = 0. Rata-rata akurasi yang diperoleh yaitu 91.10%, sensitivitas 90.93%, spesifisitas 97.04%, dan efisiensi waktu komputasinya 457.39 detik. Model terbaiknya didapat pada fold 2 yaitu tingkat akurasinya sebesar 93.13%, sensitivitas 92.98%, spesifisitas 97.71%, dan efisiensi waktu komputasinya 478.14 detik. Jika dibandingkan dengan sistem klasifikasi jenis penyakit mata menggunakan ResNet50 mendapatkan akurasi terbaiknya yaitu 93.11%, spesifisitas 97.73%, sensitivitas 92.86, dan waktu komputasinya 2556.99 detik pada fold 5. Berdasarkan hasil tersebut, terbukti bahwa model gabungan ResNet50-XGBoost efektif dalam mengklasifikasikan jenis penyakit mata secara akurat dan efisien, serta berpotensi diterapkan sebagai sistem pendukung dalam diagnosis jenis penyakit mata.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Sari, Jayanti Fatma fatmasarijayanti5@gmail.com 09020222034
Contributors:	Contribution Name Email NIDN Thesis advisor Novitasari, Dian Candra Rini diancrini@uinsa.ac.id 2024118502 Thesis advisor Fanani, Aris arisfa@uinsa.ac.id 2027018701
Subjects:	Kesehatan Kesehatan Matematika Teknologi
Keywords:	Penyakit mata; metode feature learning; Convolutional Neural Network; eXtreme Gradient Boosting
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Jayanti Fatma Sari
Date Deposited:	08 Apr 2026 08:01
Last Modified:	08 Apr 2026 08:01
URI:	http://digilib.uinsa.ac.id/id/eprint/89447

Actions (login required)

View Item