Electronic Theses and Dissertation

ABSTRAK
Glaukoma adalah penyakit mata yang menyebabkan kerusakan pada saraf mata karena
tekanan intraokuler yang tinggi. Penyakit ini umumnya dialami oleh individu di atas
usia 60 tahun dengan gejala awal yang sulit dideteksi. Penggunaan citra termal
bertujuan untuk melihat perubahan suhu pada mata yang terjadi pada penderita
glaukoma dan orang yang tidak menderita penyakit ini. Penelitian ini bertujuan untuk
membangun model deep learning menggunakan citra glaukoma dengan menggunakan
arsitektur ResNet18, ResNet34, ResNet50, dan ResNet101. Penggunaan keempat
arsitektur tersebut bertujuan untuk membandingkan performa dalam mendeteksi
penyakit glaukoma dengan membagi citra menjadi dua kelas, yaitu kelas normal dan
kelas glaukoma. Pada arsitektur ResNet18 dan ResNet34 didapatkan hasil akurasi
sebesar 100%, sensitivity 1 dan specificity 1. Kemudian ResNet50 memiliki akurasi
99%, sensitivity 0,98, dan specificity 1. Terakhir, model ResNet101 memiliki akurasi
99%, sensitivity 1, dan specificity 0,98. Berdasarkan hasil yang diperoleh, dapat
disimpulkan bahwa model ResNet18 dan ResNet34 merupakan model yang paling
stabil yang ditunjukkan oleh learning curve dan akurasi yang tinggi.
Keyword: Glaukoma, Convolutional Neural Network (CNN), ResNet, Citra Termal

ABSTRACT Glaucoma is an eye disease that causes damage to the nerves of the eye due to high intraocular pressure. The disease is commonly experienced by individuals above the age of 60 with initial symptoms that are difficult to detect. The use of thermal images aims to see the temperature changes in the eye that occur in people with glaucoma and people who do not suffer from this disease. This research aims to build a deep learning model using glaucoma images using ResNet18, ResNet34, ResNet50, and ResNet101 architectures. The use of the four architectures aims to compare the performance in detecting glaucoma disease by dividing the image into two classes, namely normal class and glaucoma class. The ResNet18 and ResNet34 architectures obtained 100% accuracy, sensitivity 1 and specificity 1. Then ResNet50 has 99% accuracy, sensitivity 0.98, and specificity 1. Finally, the ResNet101 model has 99% accuracy, sensitivity 1, and specificity 0.98. Based on the results obtained, it can be concluded that the ResNet18 and ResNet34 models are the most stable models as shown by the learning curve and high accuracy. Keyword: Glaucoma, Convolutional Neural Network (CNN), ResNet, Thermal Images