Publisher

UNRAMUNRAM

Journal Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA ) Abstract

Penelitian ini melakukan analisis perbandingan terhadap tiga arsitektur jaringan saraf konvolusi (CNN) yaitu MobileNetV2, Xception, dan EfficientNet-B0 untuk mengklasifikasikan gambar fundus retina ke dalam empat kategori: Katarak, Retinopati Diabetik, Glaukoma, dan Normal. Menggunakan dataset yang terdiri dari 4.217 gambar, model dilatih dengan teknik transfer learning, augmentasi gambar, dan regulasi, serta dievaluasi melalui validasi silang 5-lipat. EfficientNet-B0 mencapai akurasi rata-rata tertinggi (0.85) dan menunjukkan kinerja stabil di seluruh metrik, sementara MobileNetV2 memberikan akurasi yang kompetitif dengan kebutuhan komputasi yang lebih rendah, sehingga cocok untuk lingkungan dengan sumber daya terbatas. Xception menunjukkan kinerja terendah dan kurang stabil, menunjukkan kecenderungan overfitting yang lebih tinggi. Validasi eksternal dengan gambar klinis mengungkapkan penurunan akurasi yang signifikan untuk semua model, yang menunjukkan tantangan terkait pergeseran domain dan generalisasi yang terbatas. Analisis Grad-CAM juga menunjukkan kesulitan dalam mendeteksi fitur patologis yang halus pada Retinopati Diabetik dan Glaukoma. Penelitian ini terbatas oleh ukuran dataset yang kecil, ketergantungan pada sumber data tunggal, dan kurangnya informasi klinis tambahan. Pekerjaan masa depan harus mengintegrasikan dataset yang lebih besar dan beragam, menerapkan strategi adaptasi domain, dan menggabungkan data klinis multimodal untuk meningkatkan ketahanan dan keteraplikasian klinis.

Conclusion

EfficientNet-B0 menunjukkan kinerja terbaik dalam klasifikasi gambar fundus, diikuti oleh MobileNetV2 yang menawarkan efisiensi komputasi tinggi untuk perangkat ringan, sedangkan Xception menunjukkan kinerja terendah dan kurang stabil.Namun, semua model mengalami penurunan akurasi yang signifikan saat dievaluasi pada data eksternal, yang menunjukkan generalisasi yang terbatas akibat variasi kualitas gambar, distribusi, dan karakteristik dasar di berbagai sumber data.Batasan penelitian ini termasuk ukuran dataset yang relatif kecil, ketergantungan pada sumber data primer tunggal, kualitas gambar yang tidak seragam, dan kurangnya informasi klinis tambahan yang dapat mendukung proses klasifikasi.Untuk pengembangan masa depan, diperlukan dataset yang lebih besar dan beragam dari institusi yang beragam, serta penerapan teknik adaptasi domain untuk mengurangi perbedaan distribusi antara dataset.Mengintegrasikan data multimodal seperti gambar OCT atau atribut klinis, serta mengeksplorasi fine-tuning penuh dan metode interpretabilitas yang lebih kuat, dapat meningkatkan kinerja model dan kesiapan untuk penerapan klinis.

Future Research

Untuk meningkatkan kinerja dan kesiapan klinis model klasifikasi penyakit mata, penelitian lanjutan dapat fokus pada pengembangan dataset yang lebih besar dan beragam, menerapkan teknik adaptasi domain, dan mengintegrasikan data multimodal. Selain itu, mengeksplorasi fine-tuning penuh dan metode interpretabilitas yang lebih kuat dapat meningkatkan ketahanan dan keteraplikasian model. Dengan demikian, model klasifikasi penyakit mata dapat menjadi lebih akurat dan dapat diandalkan dalam membantu diagnosis dan pengobatan penyakit mata.

References

1. Diagnosis Dini Penyakit Mata: Klasifikasi Citra Fundus Retina dengan Convolutional Neural Network VGG-16... e-journal.hamzanwadi.ac.id/index.php/edumatic/article/view/29571Diagnosis Dini Penyakit Mata Klasifikasi Citra Fundus Retina dengan Convolutional Neural Network VGG 16 e journal hamzanwadi ac index php edumatic article view 29571

Metadata

File size	530.06 KB
Pages	13
DMCA	Report