eprintid: 31761
rev_number: 7
eprint_status: archive
userid: 12
dir: disk0/00/03/17/61
datestamp: 2026-06-26 07:50:10
lastmod: 2026-06-26 07:50:10
status_changed: 2026-06-26 07:50:10
type: thesis
metadata_visibility: show
creators_name: Mukhlishah, Aiman
creators_nim: 23.51.2532
contributors_name: Utami, Ema
corp_creators: Universitas AMIKOM Yogyakarta
title: DETEKSI PENYAKIT DIABETIC RETINOPATHY
MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
BERBASIS ARSITEKTUR EFFICIENTNETV2
ispublished: pub
subjects: 000.000.000A
divisions: mti
full_text_status: public
keywords: Diabetic Retinopathy, EfficientNetV2, dilated convolution, klasifikasi citra, CNN, mage
classification
abstract: Diabetic Retinopathy (DR) merupakan salah satu komplikasi serius akibat
diabetes mellitus yang menjadi penyebab utama kebutaan di dunia. Seiring
meningkatnya jumlah penderita diabetes, kebutuhan akan sistem deteksi otomatis
yang akurat semakin mendesak guna mendukung diagnosis dini serta mencegah
risiko kehilangan penglihatan permanen. Namun, klasifikasi DR masih menghadapi
tantangan, seperti variasi tingkat keparahan, distribusi data yang tidak seimbang,
serta keterbatasan model dalam mengenali pola spasial citra retina. Untuk
menjawab permasalahan tersebut, penelitian ini mengusulkan integrasi dilation
layer pada arsitektur EfficientNetV2 yang efisien dalam ekstraksi fitur, dengan
dukungan preprocessing Contrast Limited Adaptive Histogram Equalization
(CLAHE) untuk meningkatkan kualitas citra retina. Penambahan dilation layer
memungkinkan perluasan receptive field tanpa meningkatkan jumlah parameter
maupun menurunkan resolusi spasial, sehingga jaringan lebih optimal dalam
menangkap fitur patologis. Penelitian ini menguji tiga varian model, yaitu
EfficientNetV2-B0, B3, dan S. Hasil eksperimen menunjukkan bahwa
EfficientNetV2-B0 dengan dilation layer memberikan performa terbaik dengan
akurasi 96,54% serta precision dan recall yang seimbang. Sementara itu, arsitektur
lebih kompleks tidak selalu lebih unggul, bahkan menurun pada kelas minoritas
seperti Proliferative DR. Temuan ini mengindikasikan bahwa integrasi dilation
layer pada arsitektur EfficientNetV2 berpotensi meningkatkan stabilitas dan
konsistensi klasifikasi DR
date: 2025-10-03
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Pascasarjana Teknik Informatika
thesis_type: masters
thesis_name: tesis
citation:   Mukhlishah, Aiman  (2025) DETEKSI PENYAKIT DIABETIC RETINOPATHY MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS ARSITEKTUR EFFICIENTNETV2.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/31761/1/23.51.2532%20%20Aiman%20Mukhlishah.pdf