Klasifikasi Diabetes Retinopati Menggunakan Adaboost-CNN

M RIDHONUL IHSAN, Ika Candradewi, S.Si., M.Sc.

2021 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Penyakit diabetes tidak jarang ditemukan pada setiap orang di berbagai kalangan usia. Salah satu turunan dari penyakit diabetes adalah diabetes retinopati yang menyerang pengelihatan penderitanya. Berbagai penelitian sudah dilakukan dalam pendeteksian diabetes retinopati, yang pada umumnya menggunakan gambar retina sebagai objek deteksi. Tujuan penelitian ini yaitu mengidentifikasi jenis penyakit diabetes retinopati dengan mendeteksi kelainan yang timbul pada retina menggunakan teknik pengolahan citra dan deep learning. Hasil variasi konfigurasi untuk klasifikasi tingkat keparahan retinopati dengan membandingkan arsitektur, variasi kelas, variasi dataset, berbagai pengelompokan atau distribusi data, learning rate, dan epoch setiap model. Pada pengujian didapatkan nilai akurasi setiap model pada keseluruhan variasi dengan konfigurasi terbaik dengan akurasi sebesar 72% pada model Adaboost-CNN dan CNN-Baseline dengan menggunakan dataset Kaggle imbalance 5 kelas. Kemudian untuk peforma terbaik suatu model terdapat pada model Adaboost-CNN menggunakan dataset Messidor-1 augmented 3 kelas dengan nilai akurasi, presisi, sensitivitas dan f1-score masing-masing sebesar 69%. Untuk hasil dari gabungan tiga sumber dataset atau mixed dataset diperoleh hasil terbaik pada model Adaboost-CNN dengan akurasi mencapai 50%.

Diabetes is not uncommon in people of all ages. One of the derivatives of diabetes is diabetes retinopathy which attacks the sufferer's vision. Various studies have been conducted in the detection of diabetic retinopathy, which generally uses retinal images as detection objects. The purpose of this study is to identify the type of diabetic retinopathy by detecting abnormalities that arise in the retina using image processing and deep learning techniques. The results of configuration variations for the classification of retinopathy severity by comparing the architecture, class variations, dataset variations, various data groupings or distributions, learning rate, and epoch for each model. In testing, the accuracy value of each model is obtained for all variations with the best configuration with an accuracy of 72% on the Adaboost-CNN and CNN-Baseline models using the Kaggle imbalance 5 class dataset. Then for the best performance of a model found in the Adaboost-CNN model using the Messidor-1 augmented 3 class dataset with accuracy, precision, sensitivity and f1-score each of 69%. For the results of a combination of three dataset sources or mixed datasets, the best results are obtained in the Adaboost-CNN model with an accuracy of up to 50%.

Kata Kunci : retinopathy, classification, CNN, adaboost