Perpustakaan Digital ITB

Sistem klasifikasi otomatis membantu penanganan retinopati diabetik, khususnya untuk diaplikasikan di daerah yang kekurangan tenaga ahli untuk melakukan diagnosis manual. Di antara berbagai macam arsitektur model deep learning, arsitektur berukuran kecil adalah pilihan yang lebih ideal akibat potensi aplikasinya yang lebih luas. Pada penelitian sebelumnya, Taufiqurrahman (2020) telah mengembangkan strategi pelatihan untuk MobileNetV2, salah satu model berarsitektur kecil. Selain MobileNetV2, EfficientNet merupakan kelompok model berarsitektur kecil yang memiliki kinerja klasifikasi gambar yang unggul pada berbagai dataset benchmark. Pada penelitian ini, dilakukan studi eksperimental untuk mencari strategi optimasi untuk model EfficientNetB0 yang berangkat dari strategi yang telah dikembangkan oleh Taufiqurrahman. Strategi optimal diperoleh dengan menggunakan epoch = 100, batch size = 8, loss = Huber, dan optimizer = Adam, tanpa preprocessing warna, resampling pada setiap kelas, dan menerapkan augmentasi data. Hasil optimasi menunjukkan bahwa EfficientNetB0 yang dilatih dengan strategi optimal memiliki akurasi sebesar 80.47% dan QWK sebesar 0.9145, dengan peningkatan akurasi sebesar 3.47% dan peningkatan QWK sebesar 0.0105 dari strategi optimal MobileNetV2 yang dikembangkan pada penelitian Taufiqurrahman. Penskalaan EfficientNetB0 ke EfficientNetB1 dengan resolusi input yang sama meningkatkan jumlah parameter model sebesar 56.83%, namun hanya meningkatkan akurasi sebesar 1.84% dan QWK sebesar 0.0068, sedangkan penskalaan EfficientNetB0 ke EfficientNetB2 memiliki jumlah parameter 82% lebih besar dari EfficientNetB0 hanya meningkatkan akurasi sebesar 1.92% dengan QWK yang lebih rendah dari EfficientNetB1. Misklasifikasi pada model EfficientNetB0 yang telah dilatih dengan strategi optimal umumnya disebabkan oleh data dengan fitur klinis retinopati yang tidak umum di kelasnya atau tidak secara langsung terkait dengan tingkat keparahan, atau data dengan fitur visual nonklinis yang unik di kelasnya, seperti aspek rasio yang spesifik. EfficientNetB1 dan EfficientNetB2 memiliki karakteristik misklasifikasi yang sama.