Penerapan Deep Learning Dengan Convolutional Neural Network Untuk Klasifikasi Citra Diabetic Retinopathy Dengan Arsitektur Resnet

Abstract

Diabetic retinopathy adalah komplikasi diabetes yang dapat menyebabkan kebutaan jika tidak terdeteksi dan diobati dengan cepat. Deteksi dini dan klasifikasi diabetic retinopathy sangat penting untuk mencegah kerusakan permanen pada penglihatan. Penelitian ini menerapkan deep learning dengan Convolutional Neural Network (CNN) menggunakan arsitektur ResNet untuk klasifikasi citra diabetic retinopathy. Dataset yang digunakan terdiri dari gambar retina yang dikategorikan berdasarkan tingkat keparahan kondisi. Proses penelitian melibatkan beberapa langkah utama: pemindahan kelas citra, pengubahan format data, augmentasi citra, dan pengaturan ulang ukuran gambar. Augmentasi citra memperkaya dataset dengan variasi gambar yang lebih banyak, yang membantu meningkatkan kemampuan generalisasi model. ResNet dipilih karena keunggulannya dalam menangani masalah vanishing gradient dan akurasi tinggi dalam klasifikasi gambar.Model dievaluasi menggunakan metrik akurasi dan confusion matrix untuk mengukur kinerja klasifikasi. Hasil eksperimen menunjukkan bahwa model ResNet yang diterapkan memiliki akurasi tinggi dalam mendeteksi dan mengklasifikasikan diabetic retinopathy. Confusion matrix memberikan gambaran yang jelas mengenai distribusi prediksi model terhadap masing-masing kelas, yang membantu dalam analisis lebih lanjut tentang kinerja model.Penelitian ini membuktikan bahwa penggunaan CNN dengan arsitektur ResNet dapat menjadi alat yang efektif untuk deteksi dan klasifikasi diabetic retinopathy, yang pada gilirannya dapat membantu dalam intervensi medis yang lebih cepat dan tepat.