Klasifikasi penyakit mata berdasarkan citra fundus menggunakan metode Multi-Layer Perceptron

Bahasa Indonesia:
Penelitian ini bertujuan untuk mengukur performa Multi-Layer Perceptron (MLP) dalam mengklasifikasikan penyakit mata berdasarkan citra fundus dari dataset ODIR yang terdiri atas empat kelas: Normal, Diabetic, Glaucoma, dan Cataract. Metode yang digunakan meliputi ekstraksi ciri menggunakan GLCM dan Gabor, pengolahan data melalui cleaning, augmentasi, dan undersampling, serta pengujian 16 skenario model dengan variasi jumlah hidden layer yaitu 1 dan 2 hidden layer serta variasi jumlah neuron. Hasil menunjukkan bahwa keseimbangan dan jumlah data merupakan faktor yang paling menentukan performa model, di mana perlakuan undersampling dan augmentasi menghasilkan kinerja terbaik. Arsitektur optimal diperoleh pada konfigurasi 64–32 neuron dengan rerata akurasi 73,06%. Secara keseluruhan, penelitian ini menyimpulkan bahwa kombinasi antara dataset seimbang dan arsitektur MLP yang proporsional mampu meningkatkan kemampuan model dalam klasifikasi penyakit mata berbasis citra fundus.

Bahasa Inggris:
This research aims to evaluate the performance of the Multi-Layer Perceptron (MLP) in classifying eye diseases based on fundus images from the ODIR dataset, which consists of four classes: Normal, Diabetic, Glaucoma, and Cataract. The methodology includes feature extraction using GLCM and Gabor, data preprocessing through cleaning, augmentation, and undersampling, as well as testing 16 model scenarios with variations in the number of hidden layers (1 and 2 layers) and neuron configurations. The results show that data balance and dataset size are the most influential factors affecting model performance, with the best results achieved through the combination of undersampling and augmentation. The optimal architecture was obtained using the 64–32 neuron configuration, yielding an mean accuracy of 73.06%. Overall, this study concludes that combining a balanced dataset with a proportional MLP architecture significantly improves
the model’s ability to classify eye diseases from fundus images.

Bahasa Arab:
يهدف هذا البحث إلى تقييم أداء الشبكة العصبية متعددة الطبقات (MLP) في تصنيف أمراض العين اعتمادًا على صور قاع العين المأخوذة من مجموعة بيانات ODIR، والتي تتكون من أربع فئات هي: العين السليمة، اعتلال الشبكية السكري، الجلوكوما، وإعتام عدسة العين. تتضمن المنهجية استخراج الخصائص باستخدام طريقتي GLCM وGabor، ومعالجة البيانات من خلال التنقية، وزيادة البيانات، وتقليل التحيز عبر التقليل العشوائي (undersampling)، بالإضافة إلى اختبار 16 سيناريو مختلف للنماذج مع تنويعات في عدد الطبقات المخفية (طبقة واحدة وطبقتان) وتكوينات مختلفة لعدد العصبونات. أظهرت النتائج أن توازن البيانات وحجم مجموعة البيانات يُعدّان من أكثر العوامل تأثيرًا على أداء النموذج، حيث تم تحقيق أفضل النتائج من خلال الجمع بين التقليل العشوائي وزيادة البيانات. وقد تم الحصول على البنية المثلى باستخدام تكوين العصبونات 64-32، محققًا متوسط دقة بلغ 73.06%. وبشكل عام، خلصت هذه الدراسة إلى أن الجمع بين مجموعة بيانات متوازنة وبنية متناسبة للشبكة العصبية متعددة الطبقات يسهم بشكل ملحوظ في تحسين قدرة النموذج على تصنيف أمراض العين اعتمادًا على صور قاع العين.