Nurul Muthmainnah Sabrini Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro dan Komputer 2023

Skripsi

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. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 110733 2023-05-26 11:51:39 2023-05-26 14:52:34 machine generated