Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bayi prematur adalah bayi yang lahir dengan usia kehamilan kurang dari 37 minggu yang memiliki sistem saraf dan organ-organ yang belum sempurna sehingga lebih beresiko mengalami berbagai masalah kesehatan. Salah satu masalah kesehatan yang dapat terjadi adalah pada organ mata yang merupakan organ penting dalam perkembangan bayi. Retinopathy of Prematurity (ROP) merupakan salah satu penyakit mata yang terjadi pada bayi prematur yang disebabkan oleh pembentukan pembuluh darah retina yang tidak normal. Proses diagnosis yang dilakukan oleh dokter mata belum bisa mengatasi kenaikan jumlah kasus ROP, sehingga disini penulis menggunakan pendekatan deep learning untuk melakukan klasifikasi tingkat keparahan ROP pada citra fundus retina. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari online database Kaggle berupa 90 data citra fundus retina yang terbagi atas 38 citra bukan penderita ROP, 19 citra penderita ROP Stage 1, 22 citra penderita ROP Stage 2, dan 11 citra penderita ROP Stage 3. Pada tahap persiapan data, dilakukan perbaikan kontras citra menggunakan Contrast Limited Adaptive Histogram (CLAHE) dan image masking. Kemudian dilakukan resize citra menjadi ukuran 224×224. Data kemudian diaugmentasi menggunakan teknik flip horizontal dan rotation agar data menjadi lebih banyak yang kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 20% untuk data validation. Training model dilakukan menggunakan model dengan arsitektur ResNet50 dengan hyerparameter model yaitu batch size 64, learning rate 0.001, dan epoch sebanyak 30, fungsi optimasi Adam (Adaptive moment estimation), dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99.714% dan 92.85% pada akurasi training dan akurasi validation-nya, selain itu diperoleh nilai 0.01864 dan 0.18434 pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 97.352%, testing loss sebesar 0.0986374, dan AUROC sebesar 0.0955. Selain melakukan evaluasi kinerja, peneliti juga akan menggunakan GradCAM untuk menampilkan visualisasi ciri-ciri yang dianggap penting untuk nantinya membantu dokter dalam mengevaluasi ROP.

---

Premature infants are babies born with a gestational age of less than 37 weeks, and they have underdeveloped nervous systems and organs, making them more susceptible to various health issues. One of the health problems that can occur involves the eye, which plays a crucial role in the baby's development. Retinopathy of Prematurity (ROP) is one of the eye diseases that affects premature infants and is caused by abnormal blood vessel formation in the retina. The current diagnostic processes performed by ophthalmologists have not been effective in addressing the increase in ROP cases. Therefore, in this study, the author employs a deep learning approach to classify the severity of ROP in retinal fundus images. The deep learning method utilized is the Convolutional Neural Network (CNN) with the ResNet50 architecture. The research data consists of 90 retinal fundus images obtained from the online database Kaggle, comprising 38 images of non-ROP cases, 19 images of ROP Stage 1, 22 images of ROP Stage 2, and 11 images of ROP Stage 3. In the data preparation phase, the image contrast is enhanced using Contrast Limited Adaptive Histogram (CLAHE) and image masking techniques. Subsequently, the images are resized to 224×224 dimensions. Data augmentation is performed using horizontal flip and rotation techniques to increase the dataset, which is then split into 80% training data and 20% testing data. From the 80% training data, 20% is further allocated for validation data. The model is trained using the ResNet50 architecture with hyperparameters set to batch size 64, learning rate 0.001, and 30 epochs. The optimization function used is Adam (Adaptive Moment Estimation), and the loss function is categorical cross-entropy. The modeling process is repeated five times, and the average performance of the training model is achieved at 99.714% for training accuracy and 92.85% for validation accuracy, with training and validation losses of 0.01864 and 0.18434, respectively. As for the average performance of the testing model, the testing accuracy is 97.352%, the testing loss is 0.0986374, and the AUROC (Area Under the Receiver Operating Characteristic) is 0.0955. In addition to evaluating the model's performance, the researcher also employs GradCAM to visualize important features, which can assist doctors in evaluating ROP cases."

"Parkinson`s Disease (PD) is a progressive neurodegenerative disorder affecting over six million individuals worldwide, with its prevalence having more than doubled in recent decades due to global aging trends. Despite increasing awareness, clinical diagnosis of PD remains challenging, primarily because it relies heavily on subjective assessments of motor symptoms, such as bradykinesia and resting tremor, by neurologists. This dependency on symptom manifestation and clinical interpretation often results in delayed or inaccurate diagnosis, particularly during the prodromal stages. As such, the development of objective, reliable biomarkers is essential for early and accurate detection of PD. Recent advancements have positioned brain magnetic resonance imaging (MRI) as a promising tool in the search for imaging-based biomarkers. Specifically, structural alterations in regions such as the substantia nigra (SN) and basal ganglia are increasingly recognized through MRI. However, analyzing high-resolution 3D MRI volumes poses considerable computational and interpretational challenges, especially when considering inter-individual anatomical variability and the subtlety of early-stage structural changes. This thesis explores a deep learning approach based on slice-wise abnormalities detection from 2D axial MRI slices to classify PD and healthy control (HC) individuals. Preprocessing steps included skull stripping, brain alignment, zero-padding, and normalization. Transfer learning models using VGG19 and ResNet50 architectures were trained and evaluated per slice to identify which anatomical sections yield the highest diagnostic utility. The VGG19 model achieved its best performance on axial slice 91 achieving F1-score of 76.40% and validation accuracy of 74.39%, while ResNet50 performed best on slice 86 achieving F1-score of 73.91% and validation accuracy of 70.73%. Gradient-weighted Class Activation Mapping (Grad-CAM) applied to these slices and their neighboring ones revealed consistent activation in the midbrain region, particularly the SN and adjacent basal ganglia, confirming their biomarker relevance. The findings demonstrate that slice-wise deep learning aids in localizing disease-relevant brain regions. This method presents a more interpretable and efficient alternative to full-volume 3D models, with the potential to support early PD diagnosis through targeted imaging biomarker identification.

---

Parkinson’s Disease (PD) adalah gangguan neurodegeneratif progresif yang memengaruhi lebih dari enam juta orang di seluruh dunia, dengan prevalensinya meningkat lebih dari dua kali lipat dalam beberapa dekade terakhir akibat tren penuaan global. Meskipun kesadaran semakin meningkat, tetap ada tantangan diagnosis klinis PD, terutama karena ketergantungan pada penilaian subjektif terhadap gejala motorik, seperti bradikinesia dan tremor, oleh ahli saraf. Ketergantungan pada manifestasi gejala dan interpretasi klinis ini sering kali mengakibatkan keterlambatan atau ketidakakuratan diagnosis, terutama selama tahap prodromal. Oleh karena itu, pengembangan biomarker yang objektif dan dapat diandalkan sangat penting untuk mendeteksi PD secara dini dan akurat. Kemajuan terbaru telah memposisikan magnetic resonance imaging (MRI) sebagai alat yang menjanjikan dalam mencari biomarker berbasis pencitraan. Secara khusus, perubahan struktural di daerah-daerah seperti substantia nigra (SN) dan basal ganglia semakin dikenali melalui MRI. Namun, menganalisis volume MRI 3D resolusi tinggi menimbulkan tantangan komputasi dan interpretasi yang cukup besar, terutama ketika mempertimbangkan variabilitas anatomi antar individu dan kehalusan perubahan struktural tahap awal. Skripsi ini mengeksplorasi pendekatan deep learning berdasarkan deteksi kelainan berdasarkan irisan dari irisan MRI aksial 2D untuk mengklasifikasikan individu PD dan kontrol yang sehat (HC). Langkah-langkah prapemrosesan meliputi skullstripping, penyelarasan otak, zero-padding, dan normalisasi. Model transfer learning menggunakan arsitektur VGG19 dan ResNet50 dilatih dan dievaluasi per irisan untuk mengidentifikasi bagian anatomi mana yang menghasilkan utilitas diagnostik tertinggi. Model VGG19 mencapai performa terbaiknya pada irisan aksial 91 yang mencapai F1-score 76,40% dan akurasi validasi 74.39%, sedangkan ResNet50 berkinerja terbaik pada irisan 86 yang mencapai F1-score 73.91% dan akurasi validasi 70.73%. Gradient-weighted Class Activation Mapping (Grad-CAM) yang diterapkan pada irisan ini dan irisan-irisan lainnya menunjukkan daerah aktivasi yang konsisten di daerah otak tengah, terutama SN dan basal ganglia yang berdekatan, yang mengkonfirmasi relevansi biomarker mereka. Temuan ini menunjukkan bahwa deep learning berdasarkan irisan ini membantu dalam melokalisasi daerah otak yang relevan dengan PD. Metode ini menyajikan alternatif yang lebih mudah ditafsirkan dan efisien untuk model 3D volume penuh, dengan potensi untuk mendukung diagnosis PD dini melalui identifikasi biomarker pencitraan yang ditargetkan."