Identifikasi Penyakit Pada Retina Berbasis Citra Optical Coherence Tomography (oct) Menggunakan Convolutional Neural Network (cnn)

Abstrak

ABSTRAK Penglihatan adalah salah satu indra manusia yang paling penting, kekurang yang dapat mempengaruhi produktifitas dan kemandirian seseorang. Penyakit retina mempengaruhi jutaan orang dan dapat mengakibatkan kerugian penglihatan jika penyakit tidak didiagnosis dan diobati secara dini. Peningkatan ini menyebabkan diperlukan alat bantu bagi para tenaga medis untuk mendeteksi gejala-gejala yang ditimbulkan akibat penyakit ini. Proses identifikasi dan klasifikasi citra hasil Optical Coherence Tomography (OCT) yang akurat membutuhkan tenaga ahli dan sistem deteksi yang mumpuni. Pada penelitian ini dilakukan identifikasi penyakit pada retina berbasis citra Optical Coherence Tomography (OCT) menggunakan metode Convolutional Neural network (CNN) yang mampu melakukan klasifikasi empat kelas penyakit pada retina yaitu pada kondisi CNV, DME, Drusen dan Normal. Parameter sistem yang terbaik di dapatkan dengan output channel 8,16,32,64,128, 5 jumlah hidden layer, menggunakan Adam optimizer, learning rate 0,001 dan batch size 32. Hasil yang diperoleh pada kondisi optimal didapatkan dari nilai akurasi, presisi, recall, dan f1-score yaitu masing-masing 87%, 86,75%, 87,5%, dan 87,25%. Kata Kunci : Penyakit Pada Retina, CNN, OCT ABSTRACT Sight is one of the most important human senses, the lack of which can affect a person's productivity and independence. Retinal disease affects people's illnesses and can result in impaired vision if not diagnosed and treated early. This increase causes the necessary tools for medical personnel to detect the symptoms caused by this disease. The process of knowing and classifying an accurate Optical Coherence Tomography (OCT) image requires experts and a capable detection system. In this study, a retinal disease method based on Optical Coherence Tomography (OCT) images using Convolutional Neural Network (CNN) was carried out which was able to classify four classes of retinal diseases, namely CNV, DME, Drusen and Normal conditions. The best system parameters were obtained with output channels 8,16,32,64,128, 5 hidden layers, using Adam optimizer, learning rate 0.001 and batch size 32. The results obtained under optimal conditions were obtained from the values of accuracy, precision, recall, and f1-scores are 87%, 86.75%, 87.5%, and 87.25% respectively Keywords : Retina Diseases, CNN, OCT