HANDOKO, Alief Fadhal (2024) Perancangan Aplikasi Mobile Pendeteksi Mata Katarak Menggunakan Metode Deep Learning dengan Arsitektur CNN. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Download (251kB)
	PDF (Legalitas) LEGALITAS-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Restricted to Repository staff only Download (4MB)
	PDF (Abstrak) ABSTRAK-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Download (688kB)
	PDF (BabI) BAB-I-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Restricted to Repository staff only until 15 January 2025. Download (1MB)
	PDF (BabII) BAB-II-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Restricted to Repository staff only until 15 January 2025. Download (6MB)
	PDF (BabIII) BAB-III-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Restricted to Repository staff only until 15 January 2025. Download (1MB)
	PDF (BabIV) BAB-IV-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Restricted to Repository staff only Download (7MB)
	PDF (BabV) BAB-V-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Download (580kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Download (603kB)
	PDF (Lampiran) LAMPIRAN-Alief Fadhal Handoko-H1A019018-Skripsi-2024.pdf Restricted to Repository staff only Download (1MB)

Abstract

Dalam proyek ini, saya memulai dengan mengembangkan model CNN menggunakan arsitektur yang saya rancang sendiri. Ini melibatkan langkah-langkah mendalam dalam pemilihan layer, konfigurasi, dan tuning untuk memastikan model dapat mengenali dan membedakan spesies hewan yang langka dan tidak langka dengan akurasi tinggi. Langkah ini melibatkan pengumpulan data yang luas, preprocessing, dan eksperimen untuk menemukan arsitektur yang paling sesuai. Saya memanfaatkan arsitektur populer seperti MobileNetV1, dan MobileNetv2 yang telah terbukti efektif dalam tugas-tugas pengenalan gambar. Dengan menggunakan transfer learning, saya dapat memanfaatkan pengetahuan yang sudah ada dari model-model tersebut dan mengadaptasikannya ke dalam tugas spesifik identifikasi mata katarak dan mata normal. Selanjutnya, saya mengambil langkah untuk mengintegrasikan model-model ini ke dalam sebuah aplikasi mobile menggunakan kerangka kerja Flutter. Aplikasi ini memberikan pengguna kemampuan untuk mengambil gambar spesies hewan dan menggunakan model yang telah dikembangkan untuk mengidentifikasi apakah mata tersebut termasuk dalam klasifikasi katarak atau normal. Integrasi ini memungkinkan pengguna untuk dengan cepat dan mudah mendapatkan informasi tentang kondisi mata mereka sebelum melakukan konsultasi lebih lanjut. Dalam penggunaan Flutter, saya memastikan antarmuka aplikasi mudah dipahami dan digunakan oleh pengguna. Desain aplikasi yang responsif, bersama dengan integrasi model-model pengenalan gambar yang telah dikembangkan, memungkinkan pengalaman pengguna yang mulus dan informatif saat mereka berinteraksi dengan aplikasi ini. Secara keseluruhan, proyek ini melibatkan pengembangan model CNN dengan arsitektur yang disusun sendiri, eksplorasi transfer learning menggunakan model-model populer, dan integrasi kedalam aplikasi mobile menggunakan Flutter. Ini merupakan perpaduan dari pengembangan model yang canggih dan pembuatan aplikasi yang memberikan nilai tambah kepada pengguna dalam upaya mengenali penyakit mata katarak.

Actions (login required)

View Item