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.

Preview	Text (COVER) 1_COVER.pdf Download (151kB) | Preview
Preview	Text (ABSTRAK) 2_Abstrak.pdf Download (227kB) | Preview
Preview	Text (SURAT PERNYATAAN KARYA SENDIRI) 3_Surat Pernyataan Karya Sendiri.pdf Download (421kB) | Preview
Preview	Text (DAFTAR ISI) 4_Daftar Isi.pdf Download (226kB) | Preview
Preview	Text (BAB I) 5_BAB 1.pdf Download (289kB) | Preview
	Text (BAB II) 6_BAB 2.pdf Restricted to Registered users only Download (740kB)
	Text (BAB III) 7_BAB 3.pdf Restricted to Registered users only Download (288kB)
	Text (BAB IV) 8_BAB 4.pdf Restricted to Registered users only Download (620kB)
	Text (BAB V) 9_BAB 5.pdf Restricted to Registered users only Download (1MB)
	Text (BAB VI) 10_BAB 6.pdf Restricted to Registered users only Download (231kB)
	Text (DAFTAR PUSTAKA) 11_Daftar Pustaka.pdf Restricted to Registered users only Download (217kB)
	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.

Actions (login required)

View Item