Electronic Theses and Dissertation

Retinopati Diabetes (RD) merupakan penyebab utama pada gangguan penglihatan manusia. RD akan mengakibatkan penderita mengalami kebutaan secara perlahan. RD diawali dengan melemahkan pembuluh kapiler kecil di area retina, bocornya darah yang menjadi penyebab adanya penebalan jaringan pada retina, pembengkakan, dan perdarahan yang lebih luas. Deteksi gangguan ini sulit untuk dilakukan diagnosis pada tahap awal, dikarenakan tidak adanya gejala yang menunjukkan bahwa seseorang itu telah terkena gangguan penglihatan ini. Dalam diagnosis klinis saat ini, skrining rutin penderita diabetes dilakukan melalui pemeriksaan fundus yang merupakan cara paling efektif untuk deteksi dini adanya kelainan. Oleh karenanya, dibutuhkan suatu metode yang dapat memudahkan dan membantu dokter dalam mengidentifikasi RD melalui citra retina sehingga diperoleh hasil analisis yang akurat dan tepat. Adapun tujuan penelitian ini mengusulkan suatu metode peningkatan kualitas citra menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Unsharp Masking (UM) yang kemudian akan dikombinasikan dengan algoritma pengklasifikasian berbasis deep learning. Pertama kali Citra asli RD akan dilakukan pra-proses dengan metode CLAHE dan metode UM kemudian hasil dari citra CLAHE dan citra UM akan dilakukan proses pengklasifikasain dengan deep learning yaitu CNN. Setelah dilakukan penelitian hasil pengujian menunjukkan bahwa model mampu membedakan antara citra negatif RD (normal) dan citra positif RD (pasien RD), dengan penerapan image enhancement berbasis CLAHE dan UM memiliki akurasi yang lebih baik pada beberapa model dibandingkan dengan citra asli tanpa penerapan metode image enhancement. Hasil pengujian pada citra CLAHE menunjukkan akurasi rata-rata dari metode tersebut pada beberapa arsitektur sangat baik yaitu 97,2% pada arsitektur ResNet-34, 94,8% pada arsitektur VGG-16, dan 97,2% pada arsitektur EfficientNet-B0, sedangkan hasil pada citra UM menunjukkan akurasi dari beberapa arsitektur sangat baik yaitu 96,3% pada arsitektur ResNet-34, 90,5% pada arsitektur VGG-16, dan 94,8% pada arsitektur EfficientNet-B0. Hasil nilai akurasi dari kedua pengujian pada citra CLAHE dan UM dibandingkan dengan hasil pada citra asli yang menunjukkan nilai akurasi 96,9% pada arsitektur ResNet-34, 96% pada arsitektur VGG-16, dan 90% pada arsitektur EfficientNet-B0. Namun, pada model VGG-16 akurasi yang lebih bagus didapatkan pada citra asli dengan akurasi 96%, sedangkan pada model ResNet-34 dan EfficientNet-B0 akurasi yang lebih baik didapatkan pada citra CLAHE yaitu 97,2% untuk ResNet-34 dan 97,2% untuk EfficientNet-B0.
Kata kunci : Retinopati Diabetes (RD), peningkatan kualitas citra (image enhancement), CLAHE, UM, pembelajaran mendalam (deep learning), dan CNN.

Diabetic Retinopathy (RD) is the main cause of visual impairment in humans. RD will cause the patient to experience blindness slowly. RD begins with weakening the small capillaries in the retinal area, leaking blood which causes tissue thickening in the retina, swelling, and wider bleeding. Detection of this disorder is difficult to diagnose at an early stage, because there are no symptoms indicating that a person has been affected by this visual disorder. In the current clinical diagnosis, routine screening of diabetics is done through fundus examination which is the most effective way for early detection of abnormalities. Therefore, a method is needed that can facilitate and assist doctors in identifying RD through retinal images so that accurate and precise analysis results are obtained. The purpose of this study is to propose a method of improving image quality using Contrast Limited Adaptive Histogram Equalization (CLAHE) and Unsharp Masking (UM). ) which will then be combined with a deep learning-based classification algorithm. The first time the original RD image will be pre-processed using the CLAHE method and the UM method then the results from the CLAHE image and UM image will be processed using deep learning classifier, namely CNN. After conducting research, the test results show that the model is able to distinguish between negative RD (normal) images and positive RD images (RD patients), with the application of image enhancement based on CLAHE and UM has better accuracy in several models compared to the original image without the application of the image method. enhancement with test results on CLAHE imagery showing the average accuracy of the method on several very good architectures, namely 97.2% on the ResNet-34 architecture, 94.8% on the VGG-16 architecture, and 97.2% on the EfficientNet- architecture B0. While the results on UM images show the accuracy of several very good architectures, namely 96.3% on the ResNet-34 architecture, 90.5% on the VGG-16 architecture, and 94.8% on the EfficientNet-B0 architecture. From the results of the two images using the application of the CLAHE and UM image quality improvement methods compared to the results on the original image which shows the accuracy value of the ResNet-34 architecture, namely 96.9%, 96% on the VGG-16 architecture, and 90% on the EfficientNet architecture -B0. However, in the VGG-16 model better accuracy is obtained in the original image with an accuracy of 96% while in the CLAHE image it is 94.8% and the UM image is 90.5%. Meanwhile, for the ResNet-34 and EfficientNet-B0 models, better accuracy was obtained for CLAHE images, namely 97.2% for ResNet-34 and 97.2% for EfficientNet-B0. Keywords : Diabetic Retinopathy (DR), image enhancement, CLAHE, UM, deep learning, and CNN.