UNESAUNESA

Journal of Informatics and Computer Science (JINACS)Journal of Informatics and Computer Science (JINACS)

Retinopati diabetik merupakan komplikasi diabetes melitus yang menjadi salah satu penyebab utama kebutaan di dunia, termasuk di Indonesia. Oleh sebab itu, deteksi dan klasifikasi tingkat keparahan secara dini berbasis citra fundus retina menjadi krusial untuk mendukung penanganan klinis yang tepat. Vision Transformer yang memiliki keunggulan dalam menangkap konteks global citra, dan EfficientNet yang unggul dalam mengekstraksi fitur lokal, memiliki peluang untuk dikombinasikan secara optimal dalam klasifikasi level retinopati diabetik. Menggunakan Dataset APTOS 2019 Blindness Detection dengan tahapan preprocessing berupa cropping, resize, CLAHE, dan normalisasi, serta augmentasi data untuk mengatasi ketidakseimbangan yang dikombinasikan dengan EfficientNet-B0 hingga EfficientNet-B4 diuji dan dievaluasi menggunakan metrik efektivitas serta metrik efisiensi komputasi. Hasil penelitian menunjukkan bahwa hybrid MobileViT-XS dan EfficientNet-B1 dengan resize 512x512 piksel memberikan kinerja paling optimal, dengan akurasi validasi sebesar 91,80% dan akurasi pengujian sebesar 93,24%, serta efisiensi komputasi yang seimbang dengan waktu pelatihan 101 menit 59,44 detik, FLOPs sekitar 6,80G, dan ukuran model 37,95 MB. Penelitian ini menyimpulkan bahwa pendekatan metode hybrid mampu menghasilkan model yang efektif dan efisien untuk mendukung sistem deteksi dini retinopati diabetik berbasis kecerdasan buatan.

Berdasarkan serangkaian eksperimen komprehensif melalui resize sesuai spesifikasi Vision Transformer, resize sesuai prinsip compound scaling, dan resize 512x512 piksel, dapat disimpulkan bahwa hybrid antara MobileViT-XS dan EfficientNet-B1 dengan resize 512x512 piksel, batch size 8, learning rate 1e-4, optimizer AdamW, dan 15 epoch memberikan kinerja paling optimal, dengan akurasi validasi sebesar 91,80% dan akurasi pengujian sebesar 93,24%, serta efisiensi komputasi yang seimbang dengan waktu pelatihan 101 menit 59,44 detik, FLOPs sekitar 6,80G, dan ukuran model 37,95 MB.Penelitian ini menyimpulkan bahwa pendekatan metode hybrid mampu menghasilkan model yang efektif dan efisien untuk mendukung sistem deteksi dini retinopati diabetik berbasis kecerdasan buatan.

Untuk penelitian lanjutan, dapat dipertimbangkan beberapa saran berikut: Pertama, mengeksplorasi penggunaan teknik-teknik preprocessing yang lebih canggih, seperti filter adaptif atau teknik-teknik pengolahan citra lainnya, untuk meningkatkan kualitas citra fundus retina dan mengurangi noise. Kedua, mengembangkan metode augmentasi data yang lebih canggih, seperti data augmentation berbasis GAN (Generative Adversarial Networks), untuk mengatasi ketidakseimbangan kelas dan meningkatkan kinerja model. Ketiga, melakukan penelitian lebih lanjut tentang kombinasi arsitektur Vision Transformer dan EfficientNet dengan menggunakan teknik-teknik transfer learning atau fine-tuning untuk meningkatkan akurasi dan efisiensi model.

  1. 0. 0 doi.org/10.1117/1.jmi.8.6.0640010 0 doi 10 1117 1 jmi 8 6 064001
  2. [2501.02300] Diabetic Retinopathy Detection Using CNN with Residual Block with DCGAN. diabetic retinopathy... doi.org/10.48550/arXiv.2501.023002501 02300 Diabetic Retinopathy Detection Using CNN with Residual Block with DCGAN diabetic retinopathy doi 10 48550 arXiv 2501 02300
Read online
File size2.08 MB
Pages9
DMCAReport

Related /

ads-block-test