Skema Preprocessing untuk Peningkatan Performa Klasifikasi Glaucoma pada Citra Fundus Berbasis Convolutional Neural Network

AGIEZA MUHAMMAD FURQOISTMADJID, Prof. Ir. Hanung Adi Nugroho, S.T., M.Eng., Ph.D., IPM., SMIEEE., ASEAN Eng.; Dr. Ir. Ahmad Nasikun, S.T., M.Sc., IPM., ASEAN Eng.

2026 | Tesis | S2 Teknik Elektro

Glaucoma merupakan penyakit degeneratif progresif yang menyerang saraf optik akibat gangguan pada sistem drainase cairan mata (aqueous humor) dan dapat menyebabkan kebutaan permanen. Salah satu pendekatan untuk mendeteksi glaucoma adalah melalui klasifikasi citra fundus retina menggunakan teknik computer vision. Penelitian sebelum- nya pada dataset PAPILA telah menunjukkan hasil yang baik, namun masih terbatas pada penggunaan teknik cropping sebagai metode preprocessing. Pendekatan tersebut belum mampu mengatasi variasi kualitas citra fundus, seperti pencahayaan yang tidak merata, kontras rendah, dan noise. Oleh karena itu, penelitian ini berfokus pada eksplorasi beberapa teknik preprocessing, khususnya image enhancement, untuk meningkatkan performa klasifikasi glaucoma. Metode yang digunakan meliputi CLAHE, contrast stretching, brightness, dan brightness channel prior (BCP), yang dikombinasikan dengan berbagai representasi citra seperti RGB, BG, dan grayscale. Dataset utama yang digunakan adalah PAPILA, sedangkan dataset ACRIMA digunakan untuk evaluasi lanjutan guna menguji konsistensi pengaruh preprocessing pada dataset lain. Hasil evaluasi menunjukkan bahwa EfficientNetB0 merupakan arsitektur dengan performa terbaik dan selanjutnya divalidasi menggunakan Stratified 5-Fold Cross Validation. Berdasarkan hasil validasi, performa accuracy model EfficientNetB0 tanpa preprocessing (RGB) menghasilkan accuracy sebesar 70.95% sebagai baseline. Dengan penerapan teknik preprocessing Brightness, accuracy meningkat menjadi 78.70%, menunjukkan peningkatan sebesar 7.75% dibandingkan baseline. Pengujian statistik menggunakan uji Friedman menghasilkan nilai p-value = 0.000029 (< 0>preprocessing. Uji lanjut (post-hoc) berupa Wilcoxon signed rank test dengan koreksi Bonferroni menunjukkan bahwa Brightness Channel Prior (BCP), Contrast Stretching (CS), BG+CS, dan Brightness terbukti memberikan peningkatan performa yang signifikan dibandingkan RGB dalam mengklasifikasi dataset PAPILA untuk deteksi dini glaucoma.

Glaucoma is a progressive degenerative disease that affects the optic nerve due to diso- rders in the drainage system of the aqueous humor and can lead to permanent blindness. One approach to detecting glaucoma is through the classification of retinal fundus images using computer vision techniques. Previous research on the PAPILA dataset has shown promising results, but it remains limited to the use of cropping techniques as a preprocessing method. This approach has not yet been able to address variations in fundus image quality, such as uneven lighting, low contrast, and noise. Therefore, this study focuses on exploring several preprocessing techniques, particularly image enhancement, to improve the performance of glaucoma classification. The methods used include CLAHE, contrast stretching, brightness, and brightness channel prior (BCP), combined with various image representations such as RGB, BG, and grayscale. The primary dataset used was PAPILA, while the ACRIMA dataset was used for further evaluation to test the consistency of the preprocessing effects on other datasets. The evaluation results show that EfficientNetB0 is the architecture with the best performance and was subsequently validated using Stratified 5-Fold Cross-Validation. Based on the validation results, the accuracy of the EfficientNetB0 model without preprocessing (RGB) was 70.95%, serving as the baseline. With the application of the brightness preprocessing technique, accuracy increased to 78.70%, representing a 7.75% improvement over the baseline. Statistical testing using the Friedman test yielded a p-value of 0.000029 (< 0>

Kata Kunci : Glaucoma, CNN, Image enhancement, Preprocessing, PAPILA