Perpustakaan Digital ITB

Peningkatan kasus diabetes menyebabkan meningkatnya kasus retinopati diabetik. Pemeriksaan retinopati diabetik oleh dokter ahli masih dilakukan secara manual dan membutuhkan waktu dan usaha. Meningkatnya kasus retinopati diabetik menyebabkan dokter ahli membutuhkan waktu lebih besar untuk melakukan diagnosis. Tugas akhir ini memiliki tujuan untuk menghasilkan model klasifikasi dan model deteksi yang dapat digunakan untuk menentukan keparahan retinopati diabetik. Hal ini akan membantu dokter ahli untuk mempercepat proses diagnosis agar dapat fokus untuk menyembuhkan pasien. Solusi yang dibangun terdiri dari tiga komponen utama, yaitu komponen praproses, komponen deteksi objek, dan komponen klasifikasi. Pada komponen praproses, kumpulan gambar diproses dengan menggunakan metode pengurangan local average color sehingga mengurangi variasi gambar dan membuat objek retinopati diabetik terlihat lebih jelas. Komponen deteksi objek memanfaatkan pendekatan Mask R-CNN untuk mendeteksi lokasi tanda-tanda retinopati diabetik. Komponen klasifikasi memanfaatkan topologi CNN untuk melakukan klasifikasi tingkat keparahan retinopati diabetik. Skenario eksperimen yang dilakukan adalah skenario satu faktor dalam satu waktu. Hasil eksperimen menunjukkan bahwa model deteksi objek yang dibangun dengan Mask R-CNN, topologi ResNet101, dan penyesuaian hyperparameter dapat menghasilkan rata-rata mAP sebesar 0.42. Nilai tersebut lebih tinggi daripada model penelitian terkait dengan rata-rata mAP sebesar 0.17. Model klasifikasi dibangun dengan topologi VGG16 dan menghasilkan akurasi sebesar 0.75, sedikit lebih baik daripada penelitian terkait yang menggunakan InceptionV3 dengan akurasi sebesar 0.73.