Klasifikasi citra retinopati diabetik dalam diagnosis komplikasi diabetes menggunakan algoritma GAN-CNN

Rizky, Muhammad (2025) Klasifikasi citra retinopati diabetik dalam diagnosis komplikasi diabetes menggunakan algoritma GAN-CNN. Sarjana thesis, UIN Sunan Gunung Djati bandung.

[img]
Preview
Text (COVER)
1_COVER.pdf

Download (151kB) | Preview
[img]
Preview
Text (ABSTRAK)
2_Abstrak.pdf

Download (227kB) | Preview
[img]
Preview
Text (SURAT PERNYATAAN KARYA SENDIRI)
3_Surat Pernyataan Karya Sendiri.pdf

Download (421kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
4_Daftar Isi.pdf

Download (226kB) | Preview
[img]
Preview
Text (BAB I)
5_BAB 1.pdf

Download (289kB) | Preview
[img] Text (BAB II)
6_BAB 2.pdf
Restricted to Registered users only

Download (740kB)
[img] Text (BAB III)
7_BAB 3.pdf
Restricted to Registered users only

Download (288kB)
[img] Text (BAB IV)
8_BAB 4.pdf
Restricted to Registered users only

Download (620kB)
[img] Text (BAB V)
9_BAB 5.pdf
Restricted to Registered users only

Download (1MB)
[img] Text (BAB VI)
10_BAB 6.pdf
Restricted to Registered users only

Download (231kB)
[img] Text (DAFTAR PUSTAKA)
11_Daftar Pustaka.pdf
Restricted to Registered users only

Download (217kB)
[img] Text (LAMPIRAN)
12_Lampiran.pdf
Restricted to Repository staff only

Download (303kB)

Abstract

Retinopati diabetik merupakan komplikasi serius dari penyakit diabetes yang dapat menyebabkan kebutaan jika tidak terdeteksi dan ditangani secara dini. Penelitian ini bertujuan untuk membangun sistem klasifikasi citra retinopati diabetik menggunakan integrasi algoritma Generative Adversarial Network (GAN) dan Convolutional Neural Network (CNN). Algoritma DCGAN digunakan untuk menghasilkan citra sintetis dari kelas minoritas (kelas 1, 3, dan 4) guna mengatasi ketidakseimbangan data. Setiap kelas minoritas ditambahkan sebanyak 841 citra sintetis, yang kemudian digabungkan dengan dataset asli untuk pelatihan CNN. Model CNN dilatih dan diuji menggunakan dataset gabungan, dengan proporsi 80:20. Didapatkan nilai akurasi Model 2 sebesar 86%, precision 0,46, recall 0,86, dan F1-score 0,59. Hasil ini menunjukkan peningkatan performa yang signifikan dibandingkan pelatihan pada dataset asli tanpa citra sintetis. Selain itu, hasil visualisasi menunjukkan bahwa model mampu memfokuskan perhatian pada fitur penting dalam citra retina. Penelitian ini membuktikan bahwa pendekatan GAN-CNN efektif untuk meningkatkan akurasi sistem klasifikasi dan layak diimplementasikan dalam sistem pendukung diagnosis retinopati diabetik.

Item Type: Thesis (Sarjana)
Uncontrolled Keywords: Augmentasi; Confusion Matrix; CNN; DCGAN; GAN; Retinopati Diabetik
Subjects: Applied Physics > Electrical Engineering
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Elektro
Depositing User: Muhammad Rizky
Date Deposited: 25 Jul 2025 02:03
Last Modified: 25 Jul 2025 02:03
URI: https://digilib.uinsgd.ac.id/id/eprint/113410

Actions (login required)

View Item View Item