Perancangan Sistem Deteksi Glaukoma Menggunakan EfficientNet-B0 dengan Optimasi Augmentasi Citra

Dewi Astutiningtias Lestari, Prof. Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM. ; dr. Indra Tri Mahayana, Ph.D., Sp.M.

2025 | Skripsi | FISIKA TEKNIK

Glaukoma merupakan penyebab kebutaan permanen kedua di dunia, dengan estimasi 111,8 juta kasus pada 2040. Deteksi penting karena kerusakan saraf optik bersifat permanen dan sering tidak terdeteksi pada tahap awal. Pendekatan berbasis kecerdasan buatan, khususnya deep learning, menawarkan solusi diagnosis glaukoma cepat dan akurat dari citra fundus retina. Penelitian ini menggunakan dataset Sardjito dan LAG yang terdiri dari dua kelas (normal dan glaukoma), dengan rasio pembagian data 64% pelatihan, 16% validasi, dan 20% pengujian. Seluruh citra diubah ukurannya menjadi 224×224 piksel agar sesuai dengan input EfficientNet-B0. Empat skenario augmentasi diterapkan yaitu tanpa augmentasi, augmentasi geometri, augmentasi fotometrik, dan kombinasi keduanya. Model terbaik diperoleh dari model 2 (augmentasi geometri) dengan akurasi 88,13%, precision 88,10%, recall 88,13%, F1-score 88,12%, dan AUC 0,902 pada data Sardjito. Model ini menunjukkan generalisasi tinggi pada dataset LAG dengan akurasi 98,15%, precision 98,14%, recall 98,15%, dan F1-score 98,14%. Evaluasi pada dataset gabungan juga menunjukkan konsistensi performa dengan akurasi 93,63%, precision 93,65%, recall 93,63%, dan F1-score 93,63%. Hasil ini menegaskan efektivitas augmentasi geometrik dalam meningkatkan ketangguhan model terhadap variasi data citra medis. 

Glaucoma is the second leading cause of permanent blindness worldwide, with an estimated 111.8 million cases by 2040. Early detection is crucial, as optic nerve damage is irreversible and often goes unnoticed in its initial stages. Artificial intelligence approaches, particularly deep learning, offer a promising solution for fast and accurate glaucoma diagnosis using retinal fundus images. This study utilized the Sardjito and LAG datasets, each consisting of two classes (normal and glaucoma), with data split into 64% training, 16% validation, and 20% testing. All images were resized to 224×224 pixels to match the input dimensions of the EfficientNet-B0 model. Four augmentation scenarios were implemented: no augmentation, geometric augmentation, photometric augmentation, and a combination of both. The best-performing model (Model 2, geometric augmentation) achieved an accuracy of 88.13%, precision of 88.10%, recall of 88.13%, F1-score of 88.12%, and AUC of 0.902 on the Sardjito dataset. This model demonstrated strong generalization on the LAG dataset with 98.15?curacy, 98.14% precision, 98.15% recall, and 98.14?-score. Evaluation on the combined dataset also showed consistent performance with an accuracy of 93.63%, precision of 93.65%, recall of 93.63%, and F1-score of 93.63%. These results confirm the effectiveness of geometric augmentation in enhancing model robustness against variations in medical image data.

Kata Kunci : Glaukoma, Augmentasi, Deteksi Glaukoma, Efficient-Net B0.