Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Kukuh Isnaen, Muhammad
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
IMPLEMENTASI RASPBERRY PI DALAM ALAT KLASIFIKASI PENYAKIT MATA DENGAN ARSITEKTUR YOLOv8 MENGGUNAKAN OFTALMOSKOP Kukuh Isnaen, Muhammad; Stefanie, Arnisa
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i3.6950

Abstract

Dampak negatif yang diterima oleh mata karena paparan ultraviolet secara langsung dari perangkat elektronik akan menyebabkan penyakit pada mata, seperti katarak, glaukoma, dan penyakit pada retina. Apabila tidak segera ditangani, penyakit mata dapat menyebabkan kebutaan. Jika tidak ditangani, penyakit mata dapat menyebabkan kebutaan. Alat ini dirancang dengan tujuan untuk memudahkan masyarakat dalam melakukan pemeriksaan mata secara rutin dan mendeteksi secara dini adanya gangguan mata, sehingga memungkinkan segera dilakukannya tindakan medis oleh dokter untuk mengatasi masalah mata yang dihadapi oleh masyarakat. Pengujian ini akan di implementasikan ke gambar citra fundus mata untuk diklasifikasi matanya. Dalam pemanfaatan AI dapat diterapkan di dunia kesehatan Khususnya kesehatan mata yang bertujuan membantu klasifikasi dini penyakit pada mata untuk meningkatkan kualitas hidup masyarakat dan menciptakan alat diagnosis penyakit mata otomatis menggunakan raspberry pi dan kamera webcam dengan arsitektur YOLOv8. Tujuan pengujian alat ini untuk melihat keefektifan alat yang sudah dirancang dan mendapatkan data yang dibutuhkan. Pada percobaan pertama mengklasifikasi mata katarak menghasilkan akurasi 100%. Pada percobaan kedua mengklasifikasi mata glaukoma menghasilkan akurasi 99%. Pada percobaan ketiga mengklasifikasi mata diabetic retinopathy menghasilkan akurasi 78%. Pada percobaan keempat mengklasifikasi mata normal menghasilkan akurasi 77%.
Co-Authors Arnisa Stefanie