Klasifikasi Retinopati Diabetik dengan metode Convolutional Neural Network (CNN) dengan teknik optimasi Genetic Algorithm(GA),

Nilatika, Aminurachma Aisyah and Prof. Dr. Ir. Sholeh Hadi Pramono, M.S. and Ir. Rahmadwati, ST., MT., Ph.D (2024) Klasifikasi Retinopati Diabetik dengan metode Convolutional Neural Network (CNN) dengan teknik optimasi Genetic Algorithm(GA),. Magister thesis, Universitas Brawijaya.

Abstract

Diabetes adalah penyakit menahun (kronis) berupa gangguan metabolik yang ditandai dengan kadar gula yang melebihi batas normal. Jumlah penderita diabetes diprediksi akan terus meningkat mencapai angka 578 juta jiwa pada tahun 2035 dan 800 juta jiwa pada tahun 2045. Penyakit diabetes mellitus merupakan masalah kesehatan global yang meningkat secara signifikan. Salah satu komplikasi serius dari diabetes adalah retinopati diabetik (RD), yang merupakan penyebab utama kebutaan. Untuk mengatasi masalah ini, penggunaan sistem cerdas seperti Convolutional Neural Network (CNN) telah menjadi fokus penelitian. Dalam penelitian ini, kami mengoptimalkan model CNN untuk diagnosis dini RD menggunakan Algoritma Genetika (GA). Metode ini memungkinkan pencarian kombinasi optimal untuk jumlah lapisan konvolusi dan filter pada setiap lapisan, meningkatkan akurasi dan ketepatan model. GA juga memfasilitasi evolusi model dengan menciptakan variasi dalam arsitektur konvolusi, mengurangi risiko overfitting, dan meningkatkan kemampuan model dalam menggeneralisasi pada data uji. Penelitian ini dilakukan menggunakan dataset APTOS (Asia Pacific Tele-Ophthalmology Society) 2019 Blindness Detection yang memiliki 3662 gambar. Kinerja metode yang diusulkan dievaluasi menggunakan matriks akurasi klasifikasi, presicion, recall, f1-score dan digabungkan dalam Confusion matrix. Dimana hasilnya menunjukkan bahwa model CNN mencapai rata-rata akurasi sebesar 93.01% dan untuk model CNN yang telah dioptimasi dengan GA menunjukan hasil evaluasi menggunakan metrik seperti accuracy meningkat 4,66%, precision meningkat 1,89%, recall meningkat 6,34%, dan F1-score menunjukkan peningkatan 3,74%. Penggunaan GA untuk mengoptimalkan CNN dalam mendeteksi RD memiliki potensi besar untuk meningkatkan diagnosis dini dan pengelolaan penyakit ini. Diharapkan hasil ini dapat memberikan kontribusi positif dalam meningkatkan penanganan RD secara efisien dan efektif.

English Abstract

Diabetes is a chronic disease in the form of a metabolic disorder characterized by sugar levels that exceed normal limits. The number of diabetes sufferers is predicted to continue to increase, reaching 578 million people in 2035 and 800 million people in 2045. Diabetes mellitus is a global health problem that is increasing significantly. One of the serious complications of diabetes is diabetic retinopathy (RD), which is a leading cause of blindness. To overcome this problem, the use of intelligent systems such as Convolutional Neural Networks (CNN) has become a focus of research. In this study, we optimized a CNN model for early diagnosis of RD using Genetic Algorithm (GA). This method allows searching for the optimal combination of the number of convolution layers and filters at each layer, improving the accuracy and precision of the model. GAs also facilitate model evolution by creating variations in the convolution architecture, reducing the risk of overfitting, and increasing the model's ability to generalize on test data. This research was conducted using the APTOS (Asia Pacific Tele-Ophthalmology Society) 2019 Blindness Detection dataset which has 3662 images. The performance of the proposed method is evaluated using classification accuracy, precision, recall, f1-score matrices and combined in a Confusion matrix. Where the results show that the CNN model achieved an average accuracy of 93.01% and for the CNN model that has been optimized with GA, it shows that the evaluation results using metrics such as accuracy increased by 4.66%, precision increased by 1.89%, recall increased by 6.34%, and F1-score shows an increase of 3.74%. The use of GA to optimize CNNs for detecting RD has great potential to improve early diagnosis and management of this disease. It is hoped that these results can make a positive contribution in improving the efficient and effective handling of RD.

Item Type:	Thesis (Magister)
Identification Number:	042407
Uncontrolled Keywords:	Retinopati Diabetik (RD), Convolutional Neural Network (CNN), Genetic Algorithm (GA), Klasifikasi Gambar, Dataset APTOS.
Divisions:	S2/S3 > Magister Teknik Elektro, Fakultas Teknik
Depositing User:	Unnamed user with username nova
Date Deposited:	10 Oct 2024 04:03
Last Modified:	10 Oct 2024 04:03
URI:	http://repository.ub.ac.id/id/eprint/228294

Text (DALAM MASA EMBARGO) Aminurachma Aisyah Nilatika.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item