PUTRI, SALSHABILA ADI (2026) ANALISIS AKURASI METODE CAPSULE NETWORK PADA KLASIFIKASI CITRA FUNDUS KATARAK. S1 thesis, UNIVERSITAS MALIKUSSALEH.

	Text COVER Salshabila Adi Putri.pdf Download (91kB)
	Text ABSTRAK Salshabila Adi Putri.pdf Download (146kB)
	Text BAB 1 Salshabila Adi Putri.pdf Download (191kB)
	Text DAFTAR PUSTAKA Salshabila Adi Putri.pdf Download (164kB)
	Text SKRIPSI Salshabila Adi Putri.pdf Restricted to Registered users only Download (5MB)

Abstract

Katarak merupakan salah satu penyebab utama gangguan penglihatan dan kebutaan yang memerlukan deteksi untuk membantu proses identifikasi secara lebih cepat. Perkembangan teknologi kecerdasan buatan, khususnya deep learning, memberikan peluang untuk mengembangkan sistem klasifikasi otomatis berbasis citra fundus. Penelitian ini bertujuan untuk menganalisis kinerja metode Capsule Network (CapsNet) dalam mengklasifikasikan citra fundus ke dalam kelas katarak dan normal. Dataset yang digunakan terdiri dari 520 citra fundus, yang dibagi menjadi 363 citra untuk training, 77 citra untuk validasi, dan 80 citra untuk testing. Tahapan penelitian meliputi pengumpulan dataset, preprocessing citra berupa resize, augmentasi, dan normalisasi, pelatihan model CapsNet menggunakan Python dan PyTorch, evaluasi model, serta implementasi model ke dalam sistem berbasis web menggunakan Flask. Hasil pelatihan menunjukkan Training Accuracy sebesar 86,29% dan Validation Accuracy terbaik sebesar 81,34%. Pada tahap pengujian menggunakan 77 citra, yang terdiri dari 42 citra katarak dan 35 citra normal, model memperoleh Accuracy sebesar 92,21%, Precision 90,91%, Recall (Sensitivity) 95,24%, Specificity 88,57%, F1-Score 93,02%, AUC-ROC 96,39%, dan AP (AUC-PR) 95,87%. Hasil tersebut menunjukkan bahwa metode Capsule Network memiliki kinerja yang baik dalam mengklasifikasikan citra fundus katarak dan normal, terutama dalam mendeteksi kelas katarak yang ditunjukkan oleh nilai Recall yang tinggi. Model yang telah dilatih juga berhasil diimplementasikan ke dalam aplikasi berbasis web untuk mendukung proses pengujian dan visualisasi hasil klasifikasi.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	salshabila putri salshabilaa adi putri
Date Deposited:	04 Sep 2026 04:47
Last Modified:	04 Sep 2026 04:47
URI:	https://rama.unimal.ac.id/id/eprint/22400

Actions (login required)

View Item