Perpustakaan Digital ITB

Diabetic Retinopathy (DR) merupakan salah satu komplikasi diabetes mellitus (DM) yang dapat mengakibatkan gangguan penglihatan hingga kebutaan pada penderitanya apabila tidak dilakukan diagnosis dini. Diagnosis DR secara manual diketahui membutuhkan waktu lama dan dipengaruhi oleh subjektivitas kemampuan orang yang melakukan diagnosis. Maka dari itu, algoritma deep learning telah menjadi salah satu solusi untuk klasifikasi tingkat keparahan DR secara otomatis. Tetapi, kebanyakan model deep learning yang berhasil melakukan klasifikasi DR menggunakan model convolutional neural network (CNN) berarsitektur besar, sehingga membutuhkan data yang banyak serta sumber daya komputasi khusus untuk melatih model tersebut. Pada penelitian ini telah dikembangkan strategi optimasi yang dapat meningkatkan kinerja model CNN berarsitektur kecil dalam klasifikasi DR. Strategi yang ditemukan berdampak positif adalah penyamarataan distribusi data latih dengan melakukan augmentasi dan sampling data serta penggunaan SVM sebagai classifier. Strategi ini pada arsitektur MobileNetV2 (4.2 juta parameter) dan data APTOS 2019 memberikan kinerja 86% akurasi dan nilai QWK sebesar 0.923; sebanding atau lebih baik dibandingkan kinerja arsitektur yang lebih besar pada dataset yang sama yaitu APTOS 2019. Strategi ini juga dapat digunakan pada dataset Messidor dengan empat kelas tingkat keparahan DR, arsitektur MobileNetV2 teroptimasi memberikan akurasi 73% dan nilai QWK sebesar 0.815. Kinerja tersebut juga lebih baik daripada yang dicapai oleh arsitektur lebih besar. Hasil ini menunjukkan bahwa dengan strategi optimasi yang tepat, memungkinkan model CNN berarsitektur kecil untuk mencapai kinerja klasifikasi DR yang menjanjikan, dan bahkan dapat mengungguli kinerja dari model CNN dengan arsitektur lebih besar