Electronic Theses and Dissertation

Katarak merupakan salah satu penyakit yang bisa membuat kebutaan pada mata. Katarak dipengaruhi oleh tingginya cairan yang masuk kedalam lensa mata akibat adanya cairan denaturasi protein pada lensa. Katarak mengakibatkan penurunan produktivitas, mobilitas dan kualitas hidup penderita. Saat ini, proses diagnosis katarak masih dilakukan dalam bentuk visual oleh dokter, akibat dari keterbatasan teknologi pada akurasi dan dalam bentuk visual tidak memberikan gambaran lengkap tentang kondisi katarak terhadap kesehatan mata dan membutuhkan waktu yang lama. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model deep learning dalam mendeteksi penyakit katarak. Dengan menerapkan deep learning pada bidang kesehatan mata akan memudahkan diagnosis dokter dalam mendeteksi mata katarak dan mengurangi waktu diagnosis. Penelitian ini menggunakan dataset yang berjumlah 2000 citra yang terdiri dua kelas yaitu mata katarak dan normal. Model ini menggunakan dua arsitektur, yaitu DenseNet-121 dan ResNet-101. Hasil pengujian menunjukkan bahwa model yang dibangun memiliki performa yang baik dalam mendeteksi penyakit katarak menggunakan metode Convolution Neural Network. Pada arsitektur DenseNet-121 dengan learning rate 10-5 menghasilkan akurasi sebesar 97,25%, sedangkan ResNet-101 menghasilkan akurasi sebesar 97,50%. ResNet-101 terbukti menghasilkan akurasi yang lebih tinggi dibandingkan DenseNet-121. Hal ini dikarenakan ResNet-101 memiliki arsitektur yang lebih dalam dan kompleks, sehingga mampu mengekstraksi fitur dengan lebih baik.

Cataract is a disease that can cause blindness in the eye. Cataracts are influenced by high levels of fluid entering the lens of the eye due to the presence of protein denaturing fluid in the lens. Cataracts result in decreased productivity, mobility and quality of life for sufferers. Currently, the cataract diagnosis process is still carried out in visual form by doctors, due to technological limitations in accuracy and visual form does not provide a complete picture of the condition of cataracts on eye health and takes a long time. Therefore, this research aims to develop a deep learning model to detect cataracts. By applying deep learning in the field of eye health, it will make it easier for doctors to detect cataracts and reduce diagnosis time. This research uses a dataset of 2000 images consisting of two classes, namely cataract and normal eyes. This model uses two architectures, namely DenseNet-121 and ResNet-101. The test results show that the model built has good performance in detecting cataracts using the Convolution neural network method. The DenseNet-121 architecture with a learning rate of 10-5 produces an accuracy of 97.25%, while ResNet-101 produces an accuracy of 97.50%. ResNet-101 is proven to produce higher accuracy than DenseNet-121. This is because ResNet-101 has a deeper and more complex architecture, so it is able to extract features better.