Article Per Year (5 Year)
p-Index From 2021 - 2026
4.88
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Techno.Com: Jurnal Teknologi Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Edukasi dan Penelitian Informatika (JEPIN) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOIV : International Journal on Informatics Visualization JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Jurnal Ilmiah FIFO MIND (Multimedia Artificial Intelligent Networking Database) Journal Jurnal Abdimasa TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika JMECS (Journal of Measurements, Electronics, Communications, and Systems) Aiti: Jurnal Teknologi Informasi Jurnal Teknik Informatika (JUTIF) Prosiding SNAST Jurnal Ilmu Komputer dan Informatika eProceedings of Engineering Jurnal Nasional Sains dan Teknik
Rita Magdalena
Universitas Telkom
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Other

Published : 128 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 128 Documents
Search

 9   10   11   12   13 
Klasifikasi Sinyal Elektrokardiogram Menggunakan Stockwell Transforms dan K-Nearest Neighbor Dyah Ayu Pratiwi; Achmad Rizal; Rita Magdalena
AITI Vol 17 No 1 (2020)
Publisher : Fakultas Teknologi Informasi Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24246/aiti.v17i1.22-32

Abstract

Sinyal elektrokardiogram adalah sinyal bio-electrik yang dihasilkan dari aktifitas kelistrikan jantung. Informasi dari kondisi kesehatan jantung bisa diketahui dengan menganalisis bentuk, irama, durasi, maupun orientasi nya. Berbagai metode dikembangkan untuk melakukan analisis atau mengklasifikasi sinyal EKG secara otomatis. Beberapa diantaranya menggunakan metode transformasi untuk mengubah sinyal dari domain waktu ke domain sinyal yang lain. Pada penelitian ini digunakan Stockwell transform (S-transform) untuk mengubah sinyal dari domain waktu ke domain waktu-frekuensi. Nilai minimum dan maksimum dari pada deretan waktu dari S-transform digunakan sebagai masukan K-NN sebagai classifer. Akurasi dari penggunaan S-transform dibandingkan dengan akurasi penggunaan short-term Fourier transform (STFT) yang merupakan transormasi yang setara. Hasil pengujian menunjukkan akurasi S-transform lebih tinggi dibandingkan dengan FFT pada enam kelas data sinyal EKG yang diuji.
Deep Learning untuk Klasifikasi Glaukoma dengan menggunakan Arsitektur EfficientNet PERDANI, WAHYUNI RIZKY; MAGDALENA, RITA; CAECAR PRATIWI, NOR KUMALASARI
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.322

Abstract

ABSTRAKGlaukoma merupakan kerusakan yang terjadi pada saraf mata yang disebabkan oleh meningkatnya tekanan di bola mata. Glaukoma dapat menyebabkan penderitanya mengalami kebutaan permanen. Data dari WHO, jumlah orang yang diperkirakan menjadi buta akibat glaukoma primer adalah 4,5 juta. Penilaian klasifikasi tingkatan glaukoma oleh ophthalmologist menggunakan nilai CDR (Cup to Disc Ratio). Maka dari itu, dibuat sistem yang dapat digunakan dalam mengklasifikasikan glaukoma melalui citra fundus mata dengan menggunakan metode CNN (Convolutional Neural Network) dengan arsitektur EfficientNet. Klasifikasi glaukoma dibagi menjadi 5 kelas, yaitu deep, early, moderate, OHT dan normal. Citra mata yang digunakan didapatkan dari dataset RimOne r1. Penelitian ini mencari sistem dengan performansi terbaik. Model yang mendapatkan parameter performansi terbaik adalah citra dengan hyperparameter optimizer Adamax, learning rate 0,001, epoch 20, dan batch size 32. Akurasi, presisi, recall, dan F1-Score masing-masing mencapai 1,0000.Kata kunci: Glaukoma, Convolutional Neural Network (CNN), EfficientNet ABSTRACTGlaucoma is the optic nerve damage caused by increasing pressure on the eyeball. Glaucoma can cause patients to encounter permanent blindness. According to WHO data, the number of people estimated to be blind from primary glaucoma is 4,5 million. Evaluation of glaucoma grade classification by ophthalmologist uses CDR (Cup to Disc Ratio) value. Therefore, a system has been created that can be used to classify glaucoma through eye fundus images using the CNN (Convolutional Neural Network) method with EfficientNet architecture. Glaucoma is classified into 5 classes, namely deep, early, moderate, OHT and normal. The used eye image is obtained from the RimOne r1 dataset. This research is looking for a system with the best performance. The model that got the best performance parameters with the hyperparameter optimizer Adamax, learning rate 0,001, epoch 20, and batch size 32. Accuracy, precision, recall, and F1-Score each reached 1,0000. Keywords: Glaucoma, Convolutional Neural Network (CNN), EfficientNet
Klasifikasi Kanker Kulit menggunakan Metode Convolutional Neural Network dengan Arsitektur VGG-16 AGUSTINA, REGITA; MAGDALENA, RITA; PRATIWI, NOR KUMALASARI CAECAR
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.446

Abstract

ABSTRAKKanker kulit merupakan penyakit yang ditimbulkan oleh perubahan karakteristik sel penyusun kulit dari normal menjadi ganas, yang menyebabkan sel tersebut membelah secara tidak terkendali dan merusak DNA. Deteksi dini dan diagnosis yang akurat diperlukan untuk membantu masyarakat mengindentifikasi apakah kanker kulit atau hanya kelainan kulit biasa. Pada studi ini, dirancang sebuah sistem yang dapat mengklasifikasi kanker kulit dengan memanfaatkan citra kulit pasien yang kemudian diolah menggunakan metode Convolutional Neural Network (CNN) arsitektur VGG-16. Dataset yang digunakan berupa citra jaringan kanker sebanyak 4000 gambar. Proses diawali dengan input citra, pre-processing, pelatihan model dan pengujian sistem. Hasil terbaik diperoleh pada pengujian tanpa pre-processing CLAHE dan Gaussian filter, dengan menggunakan hyperparameter optimizer SGD, learning rate 0,001, epoch 50 dan batch size 32. Akurasi yang diperoleh sebesar 99,70%, loss 0,0055, presisi 0,9975, recall 0,9975 dan f1-score 0,9950.Kata kunci: Kanker kulit, CNN, VGG-16 ABSTRACTSkin cancer is a disease caused by changes in the characteristics of skin cells from normal to malignant, which causes the cells to divide uncontrollably and damage DNA. Early detection and accurate diagnosis are necessary to help the public identify whether skin cancer or just a common skin disorder. In this study, a system was designed that can classify skin cancer by utilizing images of patients' skin which is then processed using the Convolutional Neural Network (CNN) method of VGG-16 architecture. Dataset used in the form of cancer tissue imagery as many as 4000 images. The process begins with image input, pre-processing, model training and system testing. The best results were obtained on testing without pre-processing CLAHE and Gaussian filters, using hyperparameters, SGD optimizer, learning rate 0.001, epoch 50 and batch size 32. Accuracy obtained by 99.70%, loss 0.0055, precision 0.9975, recall 0.9975 and f1-score 0.9950.Keywords: Skin cancer, CNN, VGG-16
Deteksi Glaukoma pada Citra Fundus Retina menggunakan Metode Local Binary Pattern dan Support Vector Machine NURFAJAR, FEBI; MAGDALENA, RITA; SA’IDAH, SOFIA
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 4: Published October 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i4.769

Abstract

ABSTRAKGlaukoma merupakan sebuah penyakit yang menyerang indera penglihatan dan dapat mengakibatkan kebutaan yang bersifat permanen. Meskipun penyakit ini tidak bisa disembuhkan, tetapi gejala kerusakannya dapat diminimalkan dengan melakukan pendeteksian secara dini. Deteksi glaukoma dapat dilakukan secara manual oleh oftalmologis, tetapi metode ini terbilang subyektif sebab hasil pengamatannya bergantung pada domain pengetahuan dokter, sementara di sisi lain teknik pencitraan medis modern, seperti OCT, CSLO, dan HRT berbiaya tinggi dan ketersediaan perangkatnya relatif terbatas. Pada penelitian ini, sebuah sistem berbasis machine learning untuk mendeteksi glaukoma pada citra fundus retina telah dirancang melalui proses pengolahan citra digital menggunakan metode Local Binary Pattern dan Support Vector Machine. Performansi sistem diuji pada 146 citra fundus yang terdiri dari citra fundus sehat dan glaukoma. Dengan menggunakan metode yang diusulkan, sistem mampu memberikan tingkat akurasi terbaik pada 93.15%, sensitivitas 92.30%, dan spesifisitas 93.61%.Kata kunci: Glaukoma, Local Binary Pattern, Support Vector Machine ABSTRACTGlaucoma is a disease that attacks the sense of sight and can lead to permanent blindness. Although this disease cannot be cured, the symptoms of the damage can be minimized by early detection. Glaucoma detection can be done manually by an ophthalmologist, but this method is somewhat subjective because the results of the observations depend on the domain of the doctor’s knowledge, whereas onthe other hand,  modern medical imaging techniques, such as OCT, CSLO, and HRT, are high in cost and the availability of devices is relatively limited. This research proposed a machine learning-based system to detect glaucoma in retinal fundus images through digital image processing using the Local Binary Pattern and Support Vector Machine methods. The performance of the system was tested on 146 fundus images consisting of healthy fundus images and glaucoma. By using the proposed method, the system provide the best accuracy rate at 93.15%, sensitivity 92.30%, and specificity 93.61%.Keyword: Glaucoma, Local Binary Pattern, Support Vector Machine
Klasifikasi Penyakit Daun Pada Tanaman Kopi Menggunakan Convolutional Neural Network Dengan Arsitektur Mobilenet Ikhwanda, Alfan; Magdalena, Rita; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tanaman kopi merupakan salah satukomoditas unggulan di Indonesia yang berkontribusibesar terhadap perekonomian nasional, baik melaluiekspor maupun konsumsi domestik. Namun,produktivitas kopi sering terancam oleh penyakit daun,seperti karat daun (Hemileia vastatrix), bercak daun(Phoma Costaricensis), dan penggerek daun (LeucopteraCoffeella), yang dapat menyebabkan penurunan kualitasdan hasil panen secara signifikan. Identifikasi penyakitdaun secara manual oleh petani atau ahli pertanianseringkali memerlukan waktu dan keahlian yang khusus,sehingga rentan terhadap kesalahan. Penelitian inibertujuan untuk mengembangkan sistem klasifikasiotomatis penyakit daun pada tanaman kopimenggunakan Convolutional Neural Network (CNN)dengan arsitektur MobileNet. Arsitektur MobileNetdipilih karena efisiensinya dalam menangani data dengansumber daya komputasi terbatas, seperti perangkatseluler. Proses klasifikasi dimulai dengan pengumpulandata dari dataset Kaggle, yang mencakup gambar daunsehat dan yang terinfeksi penyakit. Data ini melalui tahappreprocessing, meliputi penyesuaian ukuran citramenjadi 224x224 piksel. Model dilatih menggunakanparameter utama seperti optimizer, learning rate, batchsize, dan epoch, untuk menghasilkan klasifikasi yangoptimal. Penelitian dilakukan dengan menggunakan 1664dataset, dengan pembagian 400 data daun sehat, 460 datakarat daun, 484 data bercak daun dan 320 datapenggerek daun. Dataset yang digunakan untukpengujian yaitu sebesar 333 data. Melalui serangkaianpengujian dengan empat skenario yang berbeda,diperoleh konfigurasi optimal model dengan hasil terbaikyaitu Akurasi 99.549%, Loss 0.058, Presisi 95%, Recall95%, F1-score 95%. Dengan parameter terbaik adalahoptimizer RMSprop, learning rate 0.0001, epoch 125 danbatch size 16.Kata kunci: Daun Kopi, Convolutional Neural Network(CNN), MobileNet, Penyakit Daun, Citra Daun Tanaman Kopi.
Deteksi Kualitas Tembakau Melalui Pengolahan Citra Digital Dengan Metode Adaptive Region Growing Dan Klasifikasi Decision Tree Mahendra, Dio; Raharjo, Jangkung; Magdalena, Rita
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Budidaya tembakau merupakan kegiatan padat karya. Meskipun daerah Perkebunan tembakau di Indonesia diperkirakan hanya sekitar 207.020 hektar, namun dibandingkan dengan menanam padi, menanam tembakau membutuhkan banyak tenaga hampir tiga kali. Tembakau merupakan tanaman yang ditanam sebagai bahan baku industri untuk rokok. Tembakau memiliki nilai ekonomi yang sangat menjanjikan. Hal ini sejalan dengan tarif cukai yang meningkat rata-rata 12% sejak awal tahun. Kementerian Keuangan (Kemenkeu) melaporkan penerimaan CHT mencapai Rp. 118 triliun pada tahun ini. Namun cara tradisional dalam menentukan nilai mutu daun tembakau mempunyai kelemahan, antara lain standar mutlak daun tembakau hanya bersifat prediksi dan tidak mempunyai nilai dalam menentukan tingkat mutu. Metode langkah-langkah prosesnya adalah mengambil sampel daun tembakau berukuran 400-600 mm, kemudian memotret dengan kamera Handphone 1 beresolusi 12 MP dan kamera Handphone 2 beresolusi 8 MP dengan kamera Handphone 1 beresolusi 12 MP. merek yang berbeda. Citra diolah dengan software simulasi menggunakan Adaptive Area Development (ARG) dan klasifikasi Decision Tree. Program dirancang menggunakan software MATLAB dan ditampilkan dengan bentuk GraphicUserInterface (GUI). Dari hasil pengujian, tingkat akurasi yang diperoleh dengan menggunakan metode Adaptive Region Growing 93% berdasarkan 6 ciri statistik. Penelitian ini menggunakan seleksi fitur GINI Index dengan metode klasifikasi Decision Tree. Menggunakan dataset perbandingan data latih dan data uji sebesar 70:30. Hasil penggunaan seleksi fitur GINI index 3rd Rita Magdalena Fakultas Teknik Elektro Universitas Telkom Bandung, Indonesia ritamagdalena@telkomuniversity.ac.id pertama tahun lalu [1]. Namun semenjak tahun 2023 petani mengalami masalah yaitu persaingan harga dengan tembakau impor, padahal kualitas tembakau Indonesia tidak kalah saing dengan tembakau impor [2]. Maka kualitas tembakau perlu diperhatikan agar nilai ekonomi evaluasi kebutuhan tembakau menaik. Dalam penentuan kualitas tembakau, para grader melakukan pengecekan seperti bercak pada daun tembakau sebagai penentu dengan memperoleh hasil sebesar 85%. Kata Kunci : Daun Tembakau, image processing, Adaptive area Development, Decision Tree.
Analisis dan Klasifikasi Penyakit Pada Daun Padi Dengan Menggunakan Metode Yolov8 Prayudi, Yoshi; Saidah, Sofia; Magdalena, Rita
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit pada daun padi merupakan tantangan utama dalam pertanian padi yang dapat secara signifikan mengurangi hasil panen. Penyakit ini disebabkan oleh berbagai patogen, termasuk jamur, bakteri, dan virus, yang menyerang daun padi dan mempengaruhi pertumbuhan serta kualitas tanaman. Gejala umum yang muncul meliputi bercak-bercak pada daun, perubahan warna, deformasi, dan penurunan luas daun yang sehat. Pengendalian penyakit ini melibatkan pemilihan varietas yang tahan, pengaturan tanaman yang baik, penerapan teknik sanitasi, serta penggunaan agen pengendali penyakit yang tepat. Memahami penyakit pada daun padi dengan baik sangat penting untuk menjaga produktivitas pertanian dan keberlanjutan sistem pertanian padi di masa depan. Pada penelitian ini dilakukan klasifikasi penyakit pada daun padi menggunakan metode YOLOv8. Metode ini digunakan karena akurasi yang dihasilkan dalam melakukan klasifikasi objek cukup tinggi. Selain itu dengan YOLOv8 proses klasifikasi objek dapat dilakukan secara real time. Dari total dataset yang digunakan 3.773 gambar dengan pembagian data testing sebanyak 418 gambar, data training 2.684 gambar, dan data validasi 671 gambar. Dengan total data training sebesar 70%, validasi sebesar 20%, dan testing sebesar 10%. Hasil dari pengujian yang dilakukan didapatkan nilai terbaik yaitu pada saat pengujian menggunakan size 224, learning rate 0.01, batch size 16, dan optimizer SGD yaitu presisi sebesar 0.982, recall 0.989, mAP50 0.986, dan mAP50-95 0.929 dan dari hasil perhitungan F1-Score sebesar 96,2%. Kata Kunci : Google Collab, Penyakit Daun Padi, Phyton, YOLOv8.
Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope
Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope
Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope
Co-Authors A F Akbar Abel Bima Wiratama Achmad Rizal Adham Nurjati Adinda Maulida Agung Aditama Putra Agustina Trifena Dame.S AGUSTINA, REGITA Ahmad Zendhaf Aldo Setiawan Alva Rischa Qhisthana Pratika Andria Sufy Angga Prihantoro Ardhi Fibrianto Arfat, Ikrar Khaera Arianto Sirandan Arintyo Archamadi Ayu Putu Wida Vanhita Azzahra, Fatima Bagas Farhan Hadyantoro Bagus Robbiyanto Bambang Hidayat Bambang Hidayat Bayuaji Kurniadhani Brian Adam Danding Adhi Priutomo Davita Nadia Fadhilah Dea Sifana Ramadhina Dewa Nyoman Indra Dewi Siskawati Dian Ayu Nurlitasari Dimas Frandisyah Putra Donny Janu Sundoro Dwi Anggreni Novitasari Dyah Ajeng Pramudhita Dyah Ayu Pratiwi Efri Suhartono Eko Susatio Eky Yuliansyah Eriel Mar Estananto Faizhal Rifky Alfaris Fathurrahman, Muhammad Hanif Fatima Azzahra FAUZI FRAHMA TALININGSIH Fauzi, Muhammad Ilham Febriani Ruming Sari Fernandi, Arya Firmanda Robi Firmansyah Patriandhika Fitya Nur Fadhilah Galih Surya Gede Hari Yogiswara Gusty Aditya Arrazaq HARSONO, ALI BUDI Herdian Anantya Risma Hilman Fauzi, Hilman I Dewa Gede Agung Kurniawan I Gusti Agung Dian Wintara I Nyoman Apraz Ramatryana I Nyoman Apraz Ramatryana I NyomanApraz Ramatryana Ibnu Da'wan Salim Ibnu Da’wan Salim Ubaidah Ibnu Da’wan Salim Ubaidah Ignatius Yoslan Kurniawan Ikhwanda, Alfan Ikrar Khaera Arfat Ilma Rahma Dewi Imanuel Boyke Nainggolan Immanuel Rayuzi Pandapotan Sinaga Indrafaqih Eskamara Inung Wijayanto Iqbal Kurniawan Perdana Irham Bani Alfafa Ivan Prayoga Prawiro Ivandy Chaniago Jangkung Raharjo Jonthala Tambunan Koredianto Usman Kurnia Khafidhatur Rafiah Ledya Novamizanti Lugina Perceka Putri M.Aldia Abilisa Mahendra, Dio Maisaroh Agustina Rahayu Malardy , Muhammad Andriyansyah Masykur, Muhammad Fadhel Affandi Misbakhul Munir Muhamad Rokhmat Isnaini MUHAMMAD ADNAN PRAMUDITO Muhammad Akhyar Ghifari Muhammad Ardhi Prakasa Muhammad Bayu Adinegara Muhammad Fadly Mustakim Muhammad Ihsan Fadhil Muhammad Ilham Muhammad Ilham Muhammad Ilham Fauzi Muhammad Najiburahman Muhammad Tezar Muhammad Yuqdha Faza Nabila Herman Naufal Adi Gifran Nidaan Khofiya Nor Kumalasari Nor Kumalasari Caecar Nor Kumalasari Caecar Pratiwi Nor Kumalasari Caesar Pratiwi Nugraha, M.Fajar Zulvan Nur Andini Nur Ibrahim NURFAJAR, FEBI Obed Simanungkalit Octavian Putera Kesuma Sugeng Olyvia Fernanda Soedradjat Perdana, Iqbal Kurniawan PERDANI, WAHYUNI RIZKY Pramudhita, Dyah Ajeng Prayoga, Krisna Prayudi, Yoshi Prihantoro, Angga Putra, Akbar Trisnamulya Putri Andriani R Ricki Juniansyah R Yunenda Nur Fu'adah R. Rumani R. Rumani R. Yunendah Nur Fu’adah Raditiana Patmasari Rafid Fakhri Rahmad Hidayatullah Salam Raihan Nur Fadhlillah Rama Arjun Setiawan Ramdhan Nugraha Ratri Dwi Atmaja Renny Rahmawati Reyfaldi Wahyu Pradana Reyhan Radifan Jordy Rezki Ariz Rahadian Ricardo Ricardo Richard Bina Jadi Simanjuntak Ridwan Firdaus Rifqi Muhammad Fikri Rissa Rahmania Rizki Muhammad Iqbal Rizqi Surya Utama Rosyita Ayuning Mauludiya Sa'idah, Sofia Sa’idah, Sofia Saidah, Sofiah Sari, Febriani Ruming Sayidia Rizki Arfina Sean Alexander Suryaman Septian Eko Kuncahyono Shimon Anterio Armando Sinaga Sofia Sa'idah Sofia Sa’idah SOFIA SAIDAH Sofia Sa’idah Steven Palondongan Suci Aulia Sugondo Hadiyoso Susilo, Mochammad Hilmi Suwandhi, Adhisty Putrina Suwitrisna Putra Syafiq Hilmi Abdullah Syamsul Rizal Tahta Restu Adiguna Tamardi Pranata Tampubolon Tauhid Nur Azhar Teguh Dian Arifandi Tri Siswanto Triyogi, Raihan Twinarya Bagus Wibawa Varian Mohammad Sutama Yohana Karina Candra Sari Yunendah Fu’adah