RABBANI, Zaeri Haikal (2025) Penerapan EfficientNetB0 dengan Teknik Upsampling dan Augmentasi Data untuk Klasifikasi Tingkat Keparahan Diabetic Retinopathy. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (38kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (180kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (220kB)
	Text 5. KATA PENGANTAR.pdf Download (68kB)
	Text 6. ABSTRAK.pdf Download (14kB)
	Text 7. ABSTRACT.pdf Download (63kB)
	Text 8. DAFTAR ISI.pdf Download (102kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (53kB)

Abstract

Diabetes mellitus adalah penyakit metabolik kronis yang dapat menyebabkan berbagai
komplikasi, salah satunya adalah Diabetic Retinopathy (DR), yang menjadi penyebab utama
kebutaan di dunia. Deteksi dini DR sangat penting untuk mencegah dampak serius. Metode
deep learning telah terbukti efektif dalam deteksi dini DR, mengurangi subjektivitas dalam
diagnosis, serta meningkatkan akurasi identifikasi kondisi pasien. Salah satu tantangan
utama dalam klasifikasi tingkat keparahan DR adalah ketidakseimbangan data antar kelas,
di mana jumlah data pada kelas minoritas jauh lebih sedikit dibandingkan kelas lainnya.
Untuk mengatasi tantangan ini, penelitian ini mengusulkan model deep learning berbasis
EfficientNetB0 dengan teknik upsampling dan optimasi hyperparameter. Teknik
upsampling digunakan untuk menyeimbangkan jumlah sampel pada kelas minoritas,
sehingga model dapat belajar lebih optimal dalam mengklasifikasikan setiap tingkat
keparahan DR. Selain itu, augmentasi data, seperti flipping, sharpening, Gaussian blur, dan
penambahan noise, diterapkan untuk memperluas variasi data latih dan meningkatkan
performa model. Penelitian ini menggunakan dataset Asia Pacific Tele-Ophthalmology
Society (APTOS) 2019, yang terdiri dari citra fundus retina dengan berbagai tingkat
keparahan DR, untuk melatih dan mengevaluasi model deep learning. Model terbaik yang
dihasilkan mencapai akurasi sebesar 80,44%, menunjukkan kemampuan yang baik dalam
mengklasifikasikan semua tingkat keparahan DR, termasuk kelas minoritas yang
sebelumnya sulit dideteksi. Untuk memahami bagaimana model melakukan klasifikasi,
analisis Grad-CAM digunakan dalam interpretasi prediksi. Hasilnya menunjukkan bahwa
model dapat mengidentifikasi fitur utama DR, seperti mikroaneurisma dan vitreous
hemorrhage, yang menjadi indikator penting dalam diagnosis. Hasil penelitian ini
membuktikan bahwa penggunaan teknik upsampling, dikombinasikan dengan augmentasi
data dan metode deep learning berbasis EfficientNetB0, efektif dalam menangani tantangan
ketidakseimbangan data pada klasifikasi DR. Model yang dikembangkan memiliki potensi
besar untuk meningkatkan deteksi dini dan membantu tenaga medis dalam diagnosis yang
lebih akurat.
Kata kunci : Tingkat Keparahan Diabetic Retinopathy, Deep Learning, Augmentasi Data,
EfficientNetB0, Teknik Upsampling

Actions (login required)

View Item