Text
KLASIFIKASI PENYAKIT DIABETIC RETINOPATHY MENGGUNAKAN METODE ENSEMBLE PADA ARSITEKTUR DENSENET, MOBILENET, DAN XCEPTION
Convolutional neural network (CNN) merupakan metode deep learning yang sering digunakan dalam segmentasi maupun klasifikasi dan dapat menangani data input berbentuk citra. Penerapan CNN banyak digunakan pada data citra, salah satunya adalah citra Diabetic Retinopathy (DR). Diabetic Retinopathy (DR) adalah penyakit yang menyerang pembuluh darah retina akibat dari komplikasi penyakit diabetes yang berkepanjangan. Metode ensemble memiliki kemampuan dalam mengatasi kelemahan dari setiap arsitektur pada klasifikasi tunggal (DenseNet, MobileNet, dan Xception) dengan cara menggabungkan hasil kinerja pada setiap klasifikasi tunggal. Penelitian ini menerapkan metode ensemble dengan menggabungkan hasil kinerja pada arsitektur DenseNet, MobileNet, dan Xception pada klasifikasi DR untuk permasalahan 2 kelas. Langkah-langkah yang dilakukan pada penelitian ini yaitu pengumpulan data, pelatihan, pengujian, dan evaluasi. Hasil penelitian tersebut diperoleh nilai akurasi sebesar 85,22%, sensitivitas 70,63%, spesifisitas 99,40%, f1-score 87,21% dan cohens kappa 0,7032 dengan menggunakan dataset EyePACS sebagai data latih dan APTOS sebagai data uji. Berdasarkan hasil tersebut dapat disimpulkan bahwa metode ensemble bekerja dengan baik dalam melakukan klasifikasi DR untuk permasalahan 2 kelas, ditunjukkan oleh nilai akurasi dan f1-score diatas 85%, nilai spesifisitas diatas 90% dan cukup baik dengan nilai sensitivitas diatas 70% dan nilai cohens kappa 70,32%. Selain itu, metode ensemble yang diusulkan dapat mengatasi masalah overfitting pada klasifikasi tunggal.
Inventory Code | Barcode | Call Number | Location | Status |
---|---|---|---|---|
2207000933 | T66184 | T661842022 | Central Library (Referens) | Available but not for loan - Not for Loan |
No other version available