Penerapan Deep Learning Berbasis DenseNet Untuk Deteksi Diabetic Retinopathy Pada Citra Fundus Mata
DOI:
https://doi.org/10.24114/cess.v10i2.66507Keywords:
Diabetic Retinopathy, Deep Learning, Densenet, Citra FundusAbstract
Deteksi dini diabetic retinopathy sangat penting untuk mencegah komplikasi pada penglihatan, termasuk kebutaan permanen. Namun, proses diagnosis secara manual menggunakan citra fundus memerlukan waktu dan keahlian tinggi. Penelitian ini bertujuan untuk mengembangkan model deep learning berbasis densenet yang di fine-tune untuk mendeteksi diabetic retinopathy secara otomatis dari citra fundus mata. Dengan dataset sebesar 2.840 gambar yang terbagi ke dalam dua kelas yaitu DR dan NO_DR. Model dilatih menggunakan proses preprocessing dan augmentasi data, dengan hasil evaluasi yang menunjukkan bahwa model mencapai akurasi sebesar 96% pada dua kelas yang seimbang, dan AUC 0.99. Hal itu mencerminkan kemampuan klasifikasi yang sangat baik serta sensitivitas ynag tinggi, nilai recall yang tinggi mengindikasikan bahwa model mampu mengenali sebagian besar pasien yang mengalami DR. Penelitian ini menunjukkan bahwa densenet dengan fine-tune dapat menghasilkan model deteksi yang akurat dan berpotensi untuk membantu diagnosis dini diabetic retinopathy.References
[1] M. Zahir and R. Adi Saputra, “Deteksi Penyakit Retinopati Diabetes Menggunakan Citra Mata Dengan Implementasi Deep Learning CNN,” Jurnal Teknoinfo, vol. 18, no. 1, pp. 121–132, 2024, [Online]. Available: https://www.kaggle.com/datasets/gunavenkatdoddi/eye-diseases-classification
[2] “World Health Organization (WHO); Diabetes,” World Health Organization (WHO).
[3] S. Aghnaita, R. Prastyani, and M. Rochmanti, “Pengaruh Pengingat Elektronik dalam Peningkatan Pemeriksaan Mata Retinopati Diabetik: Meta-Analisis The Effect of Electronic Reminder in Improving the Diabetic Retinopathy’s Eye Examination: A Meta-Analysis,” Jurnal Manajemen Kesehatan Yayasan Rs. Dr. Soetomo, vol. 8, no. 2, 2022.
[4] D. Andika and D. Darwis, “Modifikasi Algoritma Gifshuffle Untuk Peningkatan Kualitas Citra Pada Steganografi,” Jurnal Ilmiah Infrastruktur Teknologi Informasi, vol. 1, no. 2, pp. 19–23, 2020.
[5] A. E. Suwanda and D. Juniati, “Klasifikasi Penyakit Mata Berdasarkan Citra Fundus Retina Menggunakan Dimensi Fraktal Box Counting Dan Fuzzy K-Means,” Jurnal Penelitian Matematika dan Pendidikan Matematika, vol. 5, no. 1, 2022.
[6] L. Costaner, Lisniawati, Guntoro, and Abdullah, “Analisis Ekstraksi Fitur untuk Deteksi Retinopati Diabetik menggunakan Teknik Machine Learning,” Sistemasi: Jurnal Sistem Informasi, vol. 13, no. 5, 2024, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[7] M. A. Ardyansyah and Gunawansyah, “Sistem Deteksi Level Diabetic Retinopathy Melalui Citra Fundus Mata dengan Menggunakan Metode CNN (Convolutional Neural Network),” G-Tech: Jurnal Teknologi Terapan, vol. 7, no. 4, pp. 1673–1682, Oct. 2023, doi: 10.33379/gtech.v7i4.3332.
[8] H. Tian et al., “DenseNet model incorporating hybrid attention mechanisms and clinical features for pancreatic cystic tumor classification,” J Appl Clin Med Phys, vol. 25, no. 7, Jul. 2024, doi: 10.1002/acm2.14380.
[9] A. Gupta, K. Aggarwal, R. Kumar, K. Saxena, and D. Gupta, “Predict Survival Probability for Cancer Patientsusing Deep Learning,” Interantional Journal of Scientific Research in Engineering and Management, vol. 07, no. 02, Feb. 2023, doi: 10.55041/ijsrem17670.
[10] S. F. Ahmed et al., “Deep learning modelling techniques: current progress, applications, advantages, and challenges,” Artif Intell Rev, vol. 56, no. 11, pp. 13521–13617, Nov. 2023, doi: 10.1007/s10462-023-10466-8.
[11] Y. Zhu and S. Newsam, “Densenet for Dense Flow,” in International Conference on Image Processing (ICIP), 2017.
[12] C. Liu and B. Wang, “Assessment of the Susceptibility of Gully Type of Debris Flow in Nujiang Prefecture Based on Improved DenseNet,” in Frontiers in Artificial Intelligence and Applications, IOS Press BV, Feb. 2024, pp. 302–315. doi: 10.3233/FAIA231312.
[13] T. H. Fung, B. Patel, E. G. Wilmot, and W. M. Amoaku, “Diabetic retinopathy for the non-ophthalmologist,” Clinical Medicine, vol. 22, no. 2, pp. 112–116, Mar. 2022, doi: 10.7861/clinmed.2021-0792.
[14] B. Long, Y. Zhengli, W. Shuangquan, B. Dongwoon, and L. Jungwon, “Real Image Denoising Based on Multi-Scale Residual Dense Block and Cascaded U-Net with Block-Connection,” Computer Vision Foundation, 2023.
[15] Z. Shen, H. Fu, J. Shen, and L. Shao, “Modeling and Enhancing Low-Quality Retinal Fundus Images,” IEEE Trans Med Imaging, vol. 40, no. 3, pp. 996–1006, Mar. 2021, doi: 10.1109/TMI.2020.3043495.
[16] W. Wang and A. C. Y. Lo, “Diabetic retinopathy: Pathophysiology and treatments,” Jun. 20, 2018, MDPI AG. doi: 10.3390/ijms19061816.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 CESS (Journal of Computer Engineering, System and Science)
This work is licensed under a Creative Commons Attribution 4.0 International License.
