DETEKSI PENYAKIT DIABETIC RETINOPATHY MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS ARSITEKTUR EFFICIENTNETV2

Mukhlishah, Aiman (2025) DETEKSI PENYAKIT DIABETIC RETINOPATHY MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS ARSITEKTUR EFFICIENTNETV2. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 23.51.2532 Aiman Mukhlishah.pdf - Published Version Download (4MB)

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

Actions (login required)

View Item