Jurnal Kecerdasan Buatan dan Teknologi Informasi (JKBTI) Vol.
No.
Desember 2022, hlm.
KLASIFIKASI PENYAKIT KATARAK PADA MATA MENGGUNAKAN METODE
CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS WEB
Diki Hananta Firdaus1.
Bahtiar Imran2*.
Lalu Darmawan Bakti3.
Emi Suryadi4
1, 2, 3,4
Universitas Teknologi Mataram Email: diki.
hananta41@gmail.
com, 2*bahtiarimranlombok@gmail.
com, 3lp2mutm@gmail.
emisuryadi@gmail.
askah masuk: 11 desember 2022, direvisi : 12 desember 2022, dipublikasikan : 13 desember 2.
Abstrak Mata adalah alat indera pada manusia yang berfungsi sebagai organ penglihatan.
Gangguan penglihatan yang sangat memprihatinkan adalah masalah kebutaan.
Mengacu pada data World Health Organization (WHO) tahun 2018, katarak menyumbang sekitar 48% kasus kebutaan di dunia dan nomor satu di Indonesia.
Mata katarak dengan mata normal di masyarakat sekitar masih sulit untuk dibedakan.
Sehingga masyarakat sering tidak menyadari ketika terindikasi penyakit katarak.
Melihat dari uraian tersebut, penting sekali untuk mendeteksi penyakit katarak sebelum terjadi kebutaan.
Dengan berkembangnya teknologi, pendeteksian dan klasifikasi katarak menjadi lebih mudah dengan adanya pengolahan citra digital.
Pada penelitian ini penulis membuat suatu aplikasi Machine Learning untuk mengidentifikasi antara mata katarak dan mata normal dengan menggunakan metode Convolutional Neural Network (CNN) berbasis web.
Dataset yang digunakan adalah 512 citra digital dengan pembaruan 2 kelas yaitu kelas katarak dan kelas normal.
Dataset diambil dari sebuah website yang bergerak di bidang data since yang bernama Kaggle.
Pembelajaran mesin menggunakan Epoch 1, epoch 10 dan epoch 25.
Pada epoch 1 mendapatkan hasil akurasi model sebesar 52,20%, epoch 10 mendapatkan akurasi sebesar 89,15% dan epoch 25 mendapatkan hasil akurasi sebesar 99,74%.
Hasil terbaik yang didapatkan model adalah 99,74%.
Hasil pengujian model menggunakan metode CNN ini dapat bekerja dengan sangat baik untuk memprediksi penyakit katarak pada mata.
Kata kunci: Citra Digital.
Convolutional Neural Network (CNN).
Katarak.
Klasifikasi.
Machine Learning.
Website WEB-BASED CLASSIFICATION OF CATARACT IN THE EYES USING CONVOLUTIONAL NEURAL NETWORK (CNN) METHOD Abstract The eye is a sensory organ in humans that functions as an organ of vision.
Visual disturbances of great concern is the problem of blindness.
Referring to the 2018 World Health Organization (WHO) data, cataracts accounted for around 48% of blindness cases in the world and were number one in Indonesia.
Cataract eyes with normal eyes in the surrounding community are still difficult to distinguish, so people often do not realize when cataracts are indicated.
Judging from the description, it is very important to detect cataracts before blindness occurs.
With the development of technology, the detection and classification of cataracts has become easier with digital image processing.
In this study, the authors make a Machine Learning application to identify between cataract eyes and normal eyes using the web-based Convolutional Neural Network (CNN) method.
The dataset used is 512 digital images with an update of 2 classes, namely the cataract class and the normal class.
The dataset is taken from a website engaged in data science called Kaggle.
Machine learning uses Epoch 1, epoch 10 and epoch 25.
In epoch 1, the model accuracy is 52.
epoch 10 is 89.
15% accuracy and epoch 25 is 99.
74% accuracy.
The best result obtained by the model is 99.
The results of model testing using the CNN method can work very well to predict cataracts in the eye.
Keywords: Cataract.
Classification.
Convolutional Neural Network (CNN).
Digital Image.
Machine Learning.
Website.
PENDAHULUAN
Mata adalah alat indera pada manusia yang berfungsi sebagai organ penglihatan.
Gangguan penglihatan yang sangat memprihatinkan adalah masalah kebutaan.
Di Indonesia penyebab kebutaan terbesar adalah katarak.
Menurut data World Health Organization (WHO), katarak merupakan penyebab utama kebutaan di seluruh dunia, terhitung sekitar 48% kasus di Indonesia.
Katarak adalah masalah pada lensa mata yang keruh.
Katarak berkembang ketika lensa mata menjadi keruh, memungkinkan cahaya masuk ke bola mata.
Hal ini menghasilkan penglihatan kabur, yang lama kelamaan dapat Diki Hananta Firdaus.
Bahtiar Imran.
Lalu darmawan bakti.
Emi Suryadi.
Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network (Cn.
Berbasis Web mengakibatkan kebutaan .
Pada mata yang khas, cahaya masuk melalui lensa dan berjalan ke retina, di mana ia diubah menjadi sinyal saraf yang berjalan ke otak.
Untuk mendapatkan foto yang tajam, lensa harus terus transparan.
Retina menerima gambar buram ketika lensa menjadi keruh karena katarak .
World Health Organization (WHO) memperkirakan bahwa 1,3 miliar orang di seluruh dunia saat ini mengalami semacam gangguan penglihatan.
Diperkirakan ada 188,5 juta orang dengan gangguan penglihatan ringan, 217 juta orang dengan gangguan sedang hingga berat, dan 36 juta orang buta.
Katarak merupakan faktor utama gangguan penglihatan secara global.
Usia, penyakit mata, toksisitas farmakologis, masalah metabolisme atau sistemik, kelainan genetik dan perkembangan, dan infeksi virus selama perkembangan janin hanyalah beberapa faktor yang dapat menyebabkan pembentukan katarak.
Riwayat keluarga katarak, infeksi atau cedera mata sebelumnya, operasi mata, penggunaan corticosteroid, paparan sinar UV, dan merokok merupakan faktor risiko tambahan untuk katarak .
Orang sering tidak menyadari adanya katarak karena masih sulit membedakan mata normal dari mata katarak di lingkungan sekitar.
Mengingat uraian sebelumnya, sangat penting untuk mengidentifikasi katarak sebelum kebutaan Oleh karena itu, diperlukan sistem yang dapat membedakan antara mata dengan katarak dan mata tanpa Dengan kemajuan teknologi, pengolahan citra digital telah membuat deteksi dan klasifikasi katarak menjadi lebih sederhana.
Pada tugas akhir ini penulis membuat suatu aplikasi Machine Learning untuk mengidentifikasi antara mata katarak dan mata normal dengan menggunakan metode Convolutional Neural Network (CNN) berbasis web.
Data diambil dari sebuah website yang bergerak di bidang data science yang bernama Kaggle.
Dataset yang digunakan adalah 512 citra digital dengan pembaruan 2 kelas yaitu kelas katarak dan kelas normal.
Hasil akhir yang diharapkan bahwa model yang di bangun dapat mengklasifikasi antara mata normal dengan mata katarak.
METODE PENELITIAN
Metode yang digunakan dalam klasifikasi penyakit katarak pada mata menggunakan metode Convolutional Neural Net1.
work (CNN) dapat dilihat pada bagan alir 1.
Gambar 1.
Metode Penelitian 1 Study Literatur Dalam penelitian ini, peneliti melakukan studi literatur untuk mencari referensi berupa jurnal terkait dari tahun Hal ini dilakukan untuk memudahkan peneliti dalam mengembangkan dan menemukan referensi baru yang sesuai dengan bidang yang diteliti.
2 Akuisisi Gambar Pada tahap ini, citra yang telah diambil kemudian diseleksi dan dikelompokkan menjadi dua polder yaitu folder Katarak dan folder Normal.
Tujuan dari akuisisi citra ini adalah untuk memudahkan pelatihan dan pengujian yang Proses ini bisa dilihat pada gambar 2.
Diki Hananta Firdaus.
Bahtiar Imran.
Lalu darmawan bakti.
Emi Suryadi.
Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network (Cn.
Berbasis Web Gambar 2.
Akuisisi gambar 3 Pre-Processing Pada tahap ini, citra katarak dan mata normal yang telah diambil merupakan citra dengan ukuran yang berbedabeda kemudian dipotong sehingga ukurannya menjadi lebih kecil, ukuran awal pada saat pengumpulan data diubah menjadi 200 x 200 piksel.
Pemangkasan gambar dilakukan secara manual untuk menyederhanakan proses klasifikasi data gambar.
4 Implementasi Model CNN CNN termasuk dalam jenis Deep Neural Jaringan karena tingkat Jaringannya yang dalam dan banyak diimplementasikan dalam data citra .
Pengumpulan Data Dalam penelitian ini.
Google Collab digunakan sebagai platform untuk membuat aplikasi klasifikasi penyakit katarak pada mata berbasis website.
sedangkan untuk penyimpanan data menggunakan aplikasi Google Drive.
Dataset yang sudah ada di upload di Google Drive.
Pada saat pembuatan aplikasi.
Google Collab dan Google Drive harus terhubung.
Pada gambar 3 merupakan kode untuk menghubungkan Google Collab dengan Google Drive.
Gambar 3.
Menghubungkan Google Collab dengan Google Drive Import Library Pada tahap ini kita akan menggunakan library python yang dibutuhkan yaitu TensorFlow.
Keras.
OpenCV dan lainnya untuk pembuatan sistem klasifikasi penyakit katarak pada mata ini.
Gambar 4 merupakan kode untuk memanggil library yang digunakan.
Gambar 4.
Import Library Image Preparation Dataset yang sudah terhubung dari Google Drive akan diolah dan dibuatkan variable untuk mempermudah proses klasifikasi CNN.
Proses Preparation ini adalah dimana data akan dipersiapkan dengan menambahkan variabel Train dan Valid.
Kemudian akan di tentukan target_size dari dataset gambar dari citra yang akan Setelah itu menambahkan batch_size dan class_mode.
Batch_size yang digunakan adalah 20 dan class mode menggunakan binary karena peneliti hanya menggunakan 2 kelas.
yang digunakan adalah binary.
Gambar 5 merupakan kode untuk image preparation.
Diki Hananta Firdaus.
Bahtiar Imran.
Lalu darmawan bakti.
Emi Suryadi.
Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network (Cn.
Berbasis Web Gambar 5.
Image Preparation Melihat Dataset Training Pada tahap ini akan ditampilkan dataset yang digunakan apakah kode yang digunakan sudah berhasil atau Pada proses ini citra dari data training akan ditampilkan dan berikan label katarak dan normal sehingga sistem akan mengenali label dari setiap gambar.
Gambar 6 adalah kode snippet untuk menampilkan kumpulan data citra yang digunakan dan labeling.
Gambar 6.
Kode Visualisasi Dataset Membuat Arsitektur CNN Pada tahap ini kita akan membuat arsitektur dari model CNN untuk mengklasifikasi gambar dengan memanfaatkan library dari keras dan model sequential.
Ketika membuat model kita membutuhkan Conv2D.
MaxPooling2D.
Flatten dan Dense Layer.
Kemudian fungsi activation yang digunakan dalam kode ini adalah ReLu dan Sigmoid untuk klasifikasi 2 kelas.
Gambar 7 merupakan kode untuk arsitektur CNN.
Gambar 7.
Kode Arsitektur CNN Compile Model Pada tahap ini kita akan membuat kompilasi dari model CNN dengan menggunakan library dari Keras dan menambahkan learning rate dan matrik akurasi.
Learning rate yang digunakan adalah 0.
0001, sedangkan untuk matriksnya adalah accuracy.
Pada gambar 8 merupakan kode compile model.
Diki Hananta Firdaus.
Bahtiar Imran.
Lalu darmawan bakti.
Emi Suryadi.
Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network (Cn.
Berbasis Web Gambar 8.
Kode Compile Model Training Model CNN Training dilakukan untuk memberikan pengetahuan tentang arsitektur Convolutional Neural Network (CNN) yang dibangun .
Gambar 9.
Kode Training Model CNN Pada gambar 9 adalah kode yang digunakan untuk melakukan data training, kemudian epoch yang digunakan dalam penelitian ini adalah epoch 1, 20 dan 25.
Hasil training terbaik berhasil didapatkan pada epoch ke 25 dengan akurasi yang diperoleh adalah sebesar 99,74%.
Pada gambar 10 merupakan hasil dari training model dengan epoch ke 25.
Gambar 10.
Hasil Training Epoch 25 Evaluasi Evaluasi model menggunakan kode model.
est_datase.
untuk mengetahui bagaimana hasil prediksi model yang sudah dibuat dengan menggunakan data uji baru.
Hasil akhir akurasi akhir dari sebuah model CNN dalam menguji data baru.
Hasil akurasi yang di dapat dari data baru adalah sebesar 93,33%.
Pada gambar 11 merupakan kodingan evaluasi model.
Gambar 11.
Kode Evaluasi Model 6 Deployment Aplikasi ini di deploy menggunakan framework flask sehingga memiliki tampilan halaman yang memudahkan pengguna untuk gambar dan memperoleh hasil berupa mata katarak atau mata normal.
Pada proses deployment ini, pertama akan dilakukan pemanggilan library yang dibutuhkan untuk sistem klasifikasi menggunakan framework flask.
Library yang dibutuhkan yaitu: TensorFlow.
Keras.
NumPy.
OS dan Flask.
Setelah semua library dimasukkan, maka dibutuhkan pemanggilan model CNN yang telah dibuat dan disimpan agar aplikasi bisa memprediksi gambar dengan baik.
Setelah pemanggilan model, maka dilakukan proses pembuatan fungsi logika untuk mengklasifikasi citra katarak dan normal.
Kemudian ditambahkan router pada halaman websitenya.
Diki Hananta Firdaus.
Bahtiar Imran.
Lalu darmawan bakti.
Emi Suryadi.
Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network (Cn.
Berbasis Web
HASIL DAN PEMBAHASAN
1 Training Menurut .
Training Step merupakan proses training yang gunanya untuk melatih sistem agar mengerti pola suatu objek yang diinginkan.
Pelatihan ini dilakukan untuk memberikan pengetahuan tentang Jaringan Saraf Konvolusi (CNN) arsitektur yang dibangun .
Pada penelitian ini menggunakan beberapa training epoch, diantaranya epoch 1, epoch 10, epoch 25.
Tabel 1.
Perbandingan Hasil Epoch Training Model Epoch Learning Rate Batch Size Recall Tabel 1 merupakan perbandingan hasil epoch training model.
Hasil akurasi yang didapat pada epoch 1 adalah sebesar 52,20%, pada epoch 10 mendapatkan akurasi sebesar 89,15% dan pada epoch 25 mendapatkan hasil akurasi terbaik yaitu 99,74%.
Pada gambar 12 dapat dilihat hasil terbaik epoch yang dilakukan dengan Gambar 12.
Diagram Perbandingan Training Model Berdasarkan gambar 12 pada diagram diatas dapat disimpulkan bahwa semakin banyak epoch yang digunakan untuk training, maka semakin tinggi hasil akurasi dan recall yang didapatkan.
Selain itu, loss yang didapatkan memiliki nilai rendah.
Oleh karena itu, sistem akan memiliki tingkat ke akurat yang tepat dalam memprediksi gambar 2 Testing Pengujian model pembelajaran ini merupakan tahapan untuk menyimpulkan hasil belajar Machine Learning pada klasifikasi citra pada mata Katarak dan Normal.
Jumlah data yang digunakan sebagai data uji dalam penelitian ini adalah 60 data citra dengan rincian 30 dari Kelas Katarak dan 30 dari Kelas Normal.
Gambar 13.
Hasil Evaluasi Data Uji Pada gambar 13 menunjukkan hasil pengujian klasifikasi yang dilakukan dengan 60 gambar uji.
Hasil pengujian menunjukkan akurasi klasifikasi yang diperoleh sebesar 93,33%.
3 Hasil Pengujian Diki Hananta Firdaus.
Bahtiar Imran.
Lalu darmawan bakti.
Emi Suryadi.
Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network (Cn.
Berbasis Web Pengujian sistem bertujuan mengetahui bagaimana kemampuan dari sistem yang sudah dibangun untuk klasifikasi penyakit katarak pada mata.
Pengujian juga dilakukan dengan testing dataset yang berisi 60 citra yang belum pernah dikenali sistem.
Berikut hasil pengujian aplikasi ini dapat dilihat pada Tabel 2.
Tabel 2.
Hasil Pengujian Dengan Gambar Katarak Gambar Uji Katarak uji 1 Katarak uji 2 Katarak uji 3 Katarak uji 4 Katarak uji 5 Katarak uji 6 Katarak uji 7 Katarak uji 8 Katarak uji 9 Katarak uji 10 Katarak uji 11 Katarak uji 12 Katarak uji 13 Katarak uji 14 Katarak uji 15 Katarak uji 16 Katarak uji 17 Katarak uji 18 Katarak uji 19 Katarak uji 20 Katarak uji 21 Katarak uji 22 Katarak uji 23 Katarak uji 24 Katarak uji 25 Katarak uji 26 Katarak uji 27 Katarak uji 28 Katarak uji 29 Katarak uji 30 Output Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Gagal Gagal Sukses Sukses Gagal Gagal Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Pada Tabel 3.
Hasil pengujian gambar Katarak mendapatkan hasil 26 sukses dan 4 gagal.
Tabel 3.
Hasil Pengujian Dengan Gambar Mata Normal Gambar Uji Normal uji 1 Normal uji 2 Normal uji 3 Normal uji 4 Normal uji 5 Normal uji 6 Normal uji 7 Normal uji 8 Normal uji 9 Normal uji 10 Normal uji 11 Output Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Diki Hananta Firdaus.
Bahtiar Imran.
Lalu darmawan bakti.
Emi Suryadi.
Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network (Cn.
Berbasis Web Normal uji 12 Normal uji 13 Normal uji 14 Normal uji 15 Normal uji 16 Normal uji 17 Normal uji 18 Normal uji 19 Normal uji 20 Normal uji 21 Normal uji 22 Normal uji 23 Normal uji 24 Normal uji 25 Normal uji 26 Normal uji 27 Normal uji 28 Normal uji 29 Normal uji 30 Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Sukses Pada Tabel 3 Hasil pengujian gambar Normal mendapatkan hasil 30 sukses dan 0 Gagal.
Jadi dari hasil pengujian 60 gambar, hanya 4 gambar yang salah di prediksi.
Setelah melakukan testing, maka tahap selanjutnya adalah menghitung akurasi.
Berdasarkan dari hasil uji pada tabel 4 dan 4.
5, maka proses perhitungan akurasi sebagai berikut:
Akurasi = Jumlah data berhasil x 100% Jumlah semua data uji Akurasi = x 100% = 93,33% Berdasarkan perhitungan diatas dapat diambil kesimpulan bahwa akurasi algoritma Convolutional Neural Network dalam klasifikasi penyakit katarak pada mata dengan uji coba menggunakan 60 Citra adalah 93,33%.
KESIMPULAN
Pada penelitian ini penulis menggunakan beberapa epoch untuk mendapatkan hasil training model terbaik, diantaranya yaitu pada epoch 1 mendapatkan hasil akurasi 52,20%, epoch 10 mendapatkan akurasi sebesar 89,15% dan epoch 25 mendapatkan akurasi sebesar 99,74%.
Berdasarkan hasil training dari beberapa epoch tersebut maka sistem mendapatkan hasil akurasi terbaik yaitu sebesar 99.
Hasil dari model klasifikasi penyakit katarak pada mata dengan menggunakan Metode Convolutional Neural Network (CNN) ini dapat nilai bekerja dengan sangat baik dalam mengidentifikasi mata katarak dan mata normal.
Hasil Pengujian aplikasi dengan menggunakan 60 data uji berhasil mendapatkan akurasi sebesar 93,33%.
Model CNN yang telah dibuat berhasil di deploy dengan menggunakan framework flask untuk tampilan websitenya dan dapat di akses secara online.
DAFTAR PUSTAKA