ANALISIS KOMPARATIF SQUEEZENET DAN SHUFFLENET DALAM KLASIFIKASI PENYAKIT MATA BERBASIS CITRA RETINA DENGAN PENDEKATAN EXPLAINABLE AI

Aulia, Reva Danindra (2026) ANALISIS KOMPARATIF SQUEEZENET DAN SHUFFLENET DALAM KLASIFIKASI PENYAKIT MATA BERBASIS CITRA RETINA DENGAN PENDEKATAN EXPLAINABLE AI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (826kB)
	Text (BAB I) BAB I.pdf - Published Version Download (308kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (331kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB)
	Text (BAB V) BAB V.pdf - Published Version Download (149kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (228kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4955.zip - Published Version Restricted to Repository staff only Download (44MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (976kB)

Abstract

Penyakit mata merupakan salah satu faktor utama yang berkontribusi terhadap penurunan kualitas penglihatan, sehingga diperlukan deteksi dini agar penanganan dapat dilakukan dengan tepat dan akurat. Penelitian ini bertujuan membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN), yaitu SqueezeNet dan ShuffleNet, dalam klasifikasi penyakit mata berbasis citra retina. Dataset yang digunakan berasal dari Kaggle dan terdiri dari empat kelas, yaitu cataract, diabetic retinopathy, glaucoma, dan normal. Penelitian menerapkan transfer learning dengan dua strategi pelatihan, yaitu fixed feature extraction dan partial fine-tuning. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, efisiensi komputasi, serta pendekatan Explainable Artificial Intelligence (XAI) melalui Grad-CAM. Hasil penelitian menunjukkan bahwa strategi partial fine-tuning memberikan performa yang lebih baik dibandingkan fixed feature extraction pada kedua model. ShuffleNet dengan partial fine-tuning memperoleh akurasi tertinggi sebesar 91%. Dari sisi efisiensi komputasi, SqueezeNet memiliki ukuran model dan jumlah parameter yang lebih kecil dan waktu pelatihan cepat dibandingkan ShuffleNet. Berdasarkan visualisasi Grad-CAM, ShuffleNet menunjukkan fokus perhatian yang lebih terarah pada area retina yang merepresentasikan gejala penyakit. Secara keseluruhan, ShuffleNet dengan partial fine-tuning merupakan model paling optimal karena mampu memberikan performa klasifikasi dan interpretasi visual yang lebih baik, meskipun membutuhkan sumber daya komputasi yang lebih besar dibandingkan SqueezeNet.

Actions (login required)

View Item