v
RINGKASAN
Perancangan Aplikasi Mobile Pendeteksi Mata Katarak Menggunakan Metode Deep Learning Dengan Arsitektur CNN
Alief Fadhal Handoko
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.
Kata kunci : Katarak, CNN, Transfer Learning, MobileNet, Aplikasi Mobile
vi SUMMARY
Design of a Mobile Application for Cataract Detection Using Deep Learning Method with CNN Architecture
Alief Fadhal Handoko
In this project, I began by developing a CNN model using an architecture I designed myself. This involved in-depth steps in layer selection, configuration, and tuning to ensure the model can accurately recognize and distinguish between rare and common animal species with high accuracy. These steps encompassed extensive data collection, preprocessing, and experiments to find the most suitable architecture. I leveraged popular architectures such as MobileNetV1 and MobileNetV2, which have proven effective in image recognition tasks.
Utilizing transfer learning, I could leverage existing knowledge from these models and adapt them to the specific task of identifying cataract and normal eyes. Furthermore, I took steps to integrate these models into a mobile application using the Flutter framework. This application empowers users to capture images of animal species and use the developed model to identify whether the eyes fall into the cataract or normal classification. This integration allows users to quickly and easily obtain information about their eye conditions before seeking further consultation. In implementing Flutter, I ensured that the application interface is user-friendly and comprehensible.The responsive design of the application, coupled with the integration of the developed image recognition models, provides users with a seamless and informative experience as they interact with the application. Overall, this project involved the development of a CNN model with a self-designed architecture, exploration of transfer learning using popular models, and integration into a mobile application using Flutter. It represents a fusion of sophisticated model development and the creation of an application that adds value to users in the effort to identify cataract eye diseases.
Keywords: Cataract, CNN, Transfer Learning,MobileNet, Mobile Application
