Deep Learning untuk Klasifikasi Penyakit Retinopati Diabetik Menggunakan Arsitektur Alexnet dan Generative Adversarial Network

Abstract

Retinopati diabetik merupakan salah satu komplikasi pada penyakit diabetes melitus yang menyerang bagian mata penderitanya. Untuk mengidentifikasi penyakit ini diperlukan tenaga ahli yang mumpuni serta waktu yang lama agar menghasilkan hasil diagnosis yang optimal.  Dengan kemajuan teknologi terutama pada bidang deep learning, permasalahan citra seperti pengklasifikasian terus dilakukan pengembangan untuk mengatasi berbagai masalah. Pada penelitian berfokus pada klasifikasi retinopati diabetik dengan sumber data berasal dari situs kaggle.com. Namun ketidakseimbangan pada data yang dimiliki dapat berdampak pada proses klasifikasi. Sehingga penerapan arsitektur Generative Adversarial Network (GAN) dapat dilakukan untuk mengatasi hal tersebut. Penelitian ini menggunakan lima kelas, yakni tidak ada gejala retinopati diabetik, retinopati diabetik non proliferatif (dibagi menjadi ringan, sedangn, berat), serta retinopati diabetik prolifeartif. Proses klasifikasi dilakukan dengan menggunakan arsitektur AlexNet sehingga mampu menghasilkan tingkat akurasi sebesar 25.3 persen, sensitivitas sebesar 25.2 persen, precision sebesar 24.64 persen, serta F1-score sebesar 24.38 persen