ARIQ, Kamal (2025) Implementasi Arsitektur Vgg-19 Dengan Pendekatan Augmentasi Data Untuk Identifikasi Tingkat Keparahan Diabetic Retinopathy. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (31kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (309kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (375kB)
	Text 5. KATA PENGANTAR.pdf Download (71kB)
	Text 6. ABSTRAK.pdf Download (72kB)
	Text 7. ABSTRACT.pdf Download (71kB)
	Text 8. DAFTAR ISI.pdf Download (35kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (84kB)

Abstract

ABSTRAK
Diabetic Retinopathy (DR) adalah komplikasi serius dari diabetes mellitus yang dapat
menyebabkan kebutaan permanen jika tidak ditangani dini. Diagnosis manual melalui citra
fundus retina membutuhkan waktu dan keahlian tinggi, sehingga pendekatan berbasis deep
learning, khususnya menggunakan Convolutional Neural Network (CNN) seperti VGG-19,
mulai dikembangkan. Namun, performa model sangat dipengaruhi oleh pemilihan
hyperparameter dan teknik augmentasi data untuk mengatasi ketidakseimbangan kelas
dalam dataset APTOS 2019. Dataset ini mengklasifikasikan tingkat keparahan DR menjadi
lima kelas: No DR, Mild, Moderate, Severe, dan Proliferative DR. Penelitian ini
menganalisis pengaruh variasi hyperparameter (learning rate, batch size, dropout) terhadap
performa model VGG-19 serta membandingkan hasil pada dataset original dan dataset yang
diaugmentasi menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE).
CLAHE sendiri adalah metode peningkatan kontras gambar yang biasa digunakan dalam
pemrosesan citra medis. Namun, dalam penelitian ini, CLAHE diterapkan sebagai bagian
dari teknik augmentasi data untuk meningkatkan kualitas citra fundus retina sebelum
digunakan dalam pelatihan model. Hasil eksperimen menunjukkan bahwa kombinasi
hyperparameter optimal pada dataset original adalah learning rate 10⁻⁴, batch size 16,
dropout 0,4 dengan akurasi 80,2%, sementara pada dataset augmentasi, kombinasi terbaik
adalah learning rate 10⁻³, batch size 64, dropout 0,3 dengan akurasi 80,9%. Augmentasi
menggunakan CLAHE meningkatkan akurasi model sebesar 0,7%. Penelitian ini
menunjukkan bahwa variasi hyperparameter dan teknik augmentasi data berpengaruh
signifikan terhadap performa model VGG-19 dalam klasifikasi DR. Hasil ini dapat menjadi
referensi dalam pengembangan sistem diagnosis otomatis berbasis deep learning untuk
Diabetic Retinopathy.
Kata kunci : Diabetic Retinopathy, VGG-19, hyperparameter, CLAHE, deep learning.

Actions (login required)

View Item