Electronic Theses and Dissertation

Retinopati diabetes (DR) merupakan jenis penyakit diabetes melitus yang menyerang retina mata. DR akan mengakibatkan penderita mengalami kebutaan secara perlahan. DR dapat dideteksi dengan menggunakan alat khusus yang disebut oftalmoskop untuk melihat bagian dalam bola mata. Citra yang dihasilkan oleh alat ini kemudian didiagnosa oleh dokter. Namun pada kondisi dimana terjadi perbedaan yang sangat kecil antara citra normal dan citra DR, diperlukan bantuan komputer sehingga nilai akurasi pembacaan citra dapat lebih maksimal. Algoritma klasifikasi citra DR dengan tingkat akurasi yang tinggi telah ditunjukkan oleh metode deep learning. Namun demikian, nilai akurasi klasifikasi masih dapat ditingkatkan dengan melakukan metode image enhancement (peningkatan kualitas citra). Oleh karena itu maka pada penelitian ini akan dilakukan suatu metode peningkatan kualitas citra yang kemudian akan diintegrasikan dengan algoritma pengklasifikasian berbasis deep learning. Sehingga dengan melakukan peningkatan kualitas citra dapat dihasilkan citra yang kontras pada area yang mengidentifikasikan DR. Citra DR pertama kali akan dilakukan perataan histogram ataupun peningkatan kualitas citra menggunakan CLAHE kemudian hasil dari CLAHE akan dilakukan proses pengklasifikasian menggunakan deep learning yaitu CNN. Hasil penelitian dari penggunaan peningkatan citra CLAHE menunjukkan akurasi rata-rata dari metode tersebut menggunakan optimizer SGD pada beberapa model sangat baik yaitu 91% untuk model VGG16, 95% untuk InceptionV3 dan 97% untuk EfficientNet dibandingkan dengan citra asli yang hanya memiliki akurasi 87% untuk model VGG16, 90% untuk model InceptionV3 dan 95% untuk EfficientNet. Namun pada ResNet34 akurasi lebih bagus didapatkan pada citra asli dengan akurasi 95% sedangkan pada citra CLAHE nilai akurasinya hanya 84%.
Kata kunci: Retinopati diabetes (DR), CLAHE, image enhancement (peningkatan citra), deep learning, dan CNN.

ABSTRACT Diabetic retinopathy (DR) is a type of diabetes mellitus that attacks the retina of the eye. DR will cause patients to experience blindness slowly. DR can be detected by using a special instrument called an ophthalmoscope to view the inside of the eyeball. The image generated by this tool is then diagnosed by a doctor. However, in conditions where there is a very small difference between normal images and DR images, computer assistance is needed so that the accuracy of image reading can be maximized. The DR image classification algorithm with a high level of accuracy has been demonstrated by the deep learning method. However, the value of classification accuracy can still be increased by using the image enhancement method (improvement of image quality). Therefore, in this study, a method of image quality improvement will be carried out which will then be integrated with a classification algorithm based on deep learning. So that by improving the image quality, a contrasting image can be produced in the area that identifies the DR. The first DR image will be histogram smoothed or image quality improvement using CLAHE then the results from CLAHE will be classified using deep learning, namely CNN. The results of the study using the CLAHE image enhancement show that the average accuracy of the method using the SGD optimizer on several models is very good, namely 91% for the VGG16 model, 95% for InceptionV3 and 97% for EfficientNet compared to the original image which only has 87% accuracy for VGG16 model, 90% for InceptionV3 model and 95% for EfficientNet. However, in ResNet34 better accuracy is obtained on the original image with an accuracy of 95% while in the CLAHE image the accuracy value is only 84%. Keywords: Diabetic retinopathy (DR), CLAHE, image enhancement, deep learning, and CNN.