Deep Learning untuk Klasifikasi Penyakit Retinopati Diabetik Menggunakan Arsitektur Alexnet dan Generative Adversarial Network

Julius Ivander Massie; Agung Mulyo Widodo

doi:10.24176/simet.v14i2.9498

Deep Learning untuk Klasifikasi Penyakit Retinopati Diabetik Menggunakan Arsitektur Alexnet dan Generative Adversarial Network

Julius Ivander Massie
Agung Mulyo Widodo

Abstract

Retinopati diabetik merupakan salah satu komplikasi pada penyakit diabetes melitus yang menyerang bagian mata penderitanya. Untuk mengidentifikasi penyakit ini diperlukan tenaga ahli yang mumpuni serta waktu yang lama agar menghasilkan hasil diagnosis yang optimal. Dengan kemajuan teknologi terutama pada bidang deep learning, permasalahan citra seperti pengklasifikasian terus dilakukan pengembangan untuk mengatasi berbagai masalah. Pada penelitian berfokus pada klasifikasi retinopati diabetik dengan sumber data berasal dari situs kaggle.com. Namun ketidakseimbangan pada data yang dimiliki dapat berdampak pada proses klasifikasi. Sehingga penerapan arsitektur Generative Adversarial Network (GAN) dapat dilakukan untuk mengatasi hal tersebut. Penelitian ini menggunakan lima kelas, yakni tidak ada gejala retinopati diabetik, retinopati diabetik non proliferatif (dibagi menjadi ringan, sedangn, berat), serta retinopati diabetik prolifeartif. Proses klasifikasi dilakukan dengan menggunakan arsitektur AlexNet sehingga mampu menghasilkan tingkat akurasi sebesar 25.3 persen, sensitivitas sebesar 25.2 persen, precision sebesar 24.64 persen, serta F1-score sebesar 24.38 persen

Keywords

Retinopati Diabetik;AlexNet;Generative Adversarial Network;Deep Learning

Teks Lengkap:

PDF

Referensi

[1] Destiana, D. W., 2017. “Faktor-Faktor yang Berhubungan dengan Kepatuhan dalam Pengelolaan Diet pada Pasien Rawat Jalan Diabetes Mellitus Tipe 2 di Kota Semarang”. Journal of Health Education 2.2, 138.

[2] MayoClinic.org. Diabetic Retinopathy. [cited: 2021 December]; Available from: https://www.mayoclinic.org/diseases-conditions/diabetic-retinopathy/symptoms-causes/syc-20371611

[3] Sundoro, D. J., et al. 2019. “Klasifikasi Retinopati Diabetik Non-prolifeartif dan Proliferatif Berdasarkan Citra Fundus Menggunakan Metode Gabor Wavele Dan Klasifikasi Jaringan Saraf Tiruan Backpropagation”. EProceedings of Engineering.6.2.

[4] PDMI. (2018). Pedoman Nasional Pelayanan Kedokteran Retinopati Diabetika.

[5] Triyani, Y.2021. “Klasifikasi Penyakit Diabetic Retinopathy Pada Citra Fundus Berbasis Deep Learning”.ABEC Indonesia 9, 1007-1018.

[6] Zulfa, I, I. (2022). Klasifikasi Kanker Paru Berdasarkan Citra Histopatologi Menggunakan Metode Convolutional Neural Network (CNN) Model AlexNet. UIN Sunan Ampel Surabaya.

[7] Ismail, I. (2020). Klasifikasi Citra Histopatologi Kanker Usus Besar Menggunakan Arsitektur AlexNet. Institut Teknologi Nasional Bandung.

[8] Cuadros, J., and Bresnick, G. 2009. “EyePACS: an adaptale telemedicine system for diabetic retinopathy screening”.Journal of Diabetes Science and Technology3.3, 509-516.

[9] Creswell, A. et al.2018. “Generative Adversarial Networks: An Overview”.IEEE Signal Processing Magazine 35.1, 53-65. [10] Radford, A., Metz, L., and Chintala, S. 2015. “Unsupervised representationlearning with deep convolutional generative adversarial networks”.ArXiv Preprint ArXiv

DOI: https://doi.org/10.24176/simet.v14i2.9498