Perpustakaan Digital ITB

Diabetic retinopathy (DR) merupakan komplikasi mikrovaskular pada retina yang disebabkan oleh Diabetes Mellitus (DM), yang berpotensi menyebabkan gangguan penglihatan hingga kebutaan jika tidak dideteksi dan ditangani secara dini. Diagnosis awal DR biasanya dilakukan melalui analisis citra fundus oleh dokter spesialis mata. Tetapi, metode manual ini memerlukan waktu yang cukup lama dan keahlian tinggi dalam menganalisis citra fundus. Sebagai alternatif, teknologi Computer-Aided Detection (CAD) menawarkan solusi yang lebih efisien untuk mempercepat diagnosis DR. Pendekatan deep learning (DL) telah banyak digunakan untuk secara otomatis mengklasifikasikan tingkat keparahan DR, dengan hasil yang menjanjikan. Tetapi, terdapat tantangan seperti variasi ukuran dan lebar citra fundus yang dapat memengaruhi kinerja model, kebutuhan dataset yang sangat besar, serta kebutuhan sumber daya komputasi yang signifikan untuk melatih model secara optimal. Penelitian ini berfokus pada klasifikasi tingkat keparahan DR menggunakan arsitektur ResNet50. Dataset yang digunakan adalah APTOS2019 dan terdiri dari 3662 citra fundus. Dataset tersebut dibagi menjadi data training (90%) dan data testing (10%). Kemudian diterapkan skenario preprocessing pertama, dimana green channel diproses dengan contrast limited adaptive histogram equalization (CLAHE) lalu melakukan resampling untuk menyamaratakan distribusi data pada data latih serta augmentasi data untuk meningkatkan variasi dataset. Selanjutnya, penelitian ini menerapkan metode ensemble, yang menggabungkan beberapa classifier seperti SVM, Random Forest, dan Logistic Regression. Hasil evaluasi menunjukkan rata-rata akurasi sebesar 83%, precision 69%, recall 66%, dan f1-score 67% pada skema 10-fold cross- validation. Kinerja terbaik dicapai dengan akurasi 85%, precision 72%, serta recall dan f1-score masing-masing 71%. Dari segi AUROC, nilai macro-average AUROC yang diperoleh adalah 0,96, dengan nilai ROC untuk masing-masing kelas sebagai berikut: Normal sebesar 1,00, Mild sebesar 0,96, Moderate sebesar 0,95, Severe sebesar 0,95, dan Proliferative sebesar 0,91. Hasil penelitian ini menunjukkan peningkatan signifikan dalam performa model untuk mengklasifikasikan tingkat keparahan DR, dimana ia mengindikasikan bahwa pendekatan kombinasi preprocessing, augmentasi, dan metode ensemble dapat menjadi solusi yang efektif untuk meningkatkan akurasi klasifikasi.