Hidayat, Acep Taufik (2025) PERBANDINGAN MODEL RESNET50 DAN EFFICIENTNETB0 DENGAN AUGMENTASI GANs UNTUK KLASIFIKASI TINGKAT KEPARAHAN RETINOPATI DIABETES. Masters thesis, Universitas Pendidikan Ganesha.
![]() |
Text (COVER)
2329101060-COVER.pdf Download (635kB) |
![]() |
Text (ABSTRAK)
2329101060-ABSTRAK.pdf Download (323kB) |
![]() |
Text (BAB 1 PENDAHULUAN)
2329101060-BAB 1 PENDAHULUAN.pdf Download (315kB) |
![]() |
Text (BAB 2 KAJIAN TEORI)
2329101060-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
![]() |
Text (BAB 3 METODELOGI PENELITIAN)
2329101060-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (555kB) | Request a copy |
![]() |
Text (BAB 4 HASIL DAN PEMBAHASAN)
2329101060-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy |
![]() |
Text (BAB 5 PENUTUP)
2329101060-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (240kB) | Request a copy |
![]() |
Text (DAFTAR PUSTAKA)
2329101060-DAFTAR PUSTAKA.pdf Download (288kB) |
![]() |
Text (LAMPIRAN)
2329101060-LAMPIRAN.pdf Download (318kB) |
Abstract
Retinopati Diabetik (DR) adalah komplikasi diabetes utama penyebab kebutaan, sehingga deteksi dini dan klasifikasinya krusial. Tantangan diagnosis otomatis terletak pada keterbatasan dan ketidakseimbangan dataset citra medis. Penelitian ini membandingkan ResNet50 dan EfficientNetB0 untuk klasifikasi lima tingkat keparahan DR (Normal, Mild, Moderate, Severe, Proliferative DR) menggunakan dataset IDRiD, yang diperkaya dengan augmentasi Generative Adversarial Networks (GANs). Augmentasi GANs berhasil mengatasi ketidakseimbangan data, meningkatkan kuantitas dan keseimbangan dataset training secara signifikan. EfficientNetB0 secara konsisten mengungguli ResNet50. Pada dataset asli, EfficientNetB0 mencapai akurasi testing 47% (presisi 47%, recall 47%, f1-score 45%), sedangkan ResNet50 41% (presisi 45%, recall 41%, f1-score 38%). Penggunaan data sintetis saja menghasilkan akurasi testing sangat rendah (23%) untuk kedua model. Namun, kombinasi data asli dan sintetis meningkatkan generalisasi model pada data testing: ResNet50 mencapai 44% (presisi 49%, recall 44%, f1-score 42%), dan EfficientNetB0 mencapai 47% (presisi 50%, recall 47%, f1-score 45%), dibandingkan dataset asli saja. Meskipun akurasi testing tertinggi 47% (EfficientNetB0) masih sub-optimal, hal ini disebabkan kompleksitas klasifikasi multikelas DR dengan ambiguitas visual (terutama Mild NPDR dan Moderate NPDR yang memiliki f1-score rendah, 0.21 dan 0.40) serta keterbatasan ukuran testing set asli (103 citra) yang memicu overfitting. Penelitian ini menegaskan potensi augmentasi GANs sebagai suplemen berharga untuk dataset medis yang terbatas, menunjukkan peningkatan kinerja signifikan, dan mengidentifikasi EfficientNetB0 sebagai model yang lebih unggul. Hasil ini menjadi fondasi penting untuk diagnosis DR otomatis yang lebih baik, dengan fokus pada optimasi data sintetis dan penanganan overfitting di masa depan.
Item Type: | Thesis (Masters) |
---|---|
Uncontrolled Keywords: | Retinopati Diabetis, ResNet50, EfficientNetB0, Augmentasi Data, Generative Adversarial Networks (GANs), Klasifikasi Citra. |
Subjects: | Q Science > QA Mathematics > QA76 Computer software |
Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
Depositing User: | ACEP TAUFIK HIDAYAT |
Date Deposited: | 05 Aug 2025 09:32 |
Last Modified: | 05 Aug 2025 09:32 |
URI: | http://repo.undiksha.ac.id/id/eprint/26469 |
Actions (login required)
![]() |
View Item |