Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Algoritma

Rancang Bangun Prototipe Sistem Deteksi Dini Retinopathic Diabetic Berbasis Website Muhajir, Daud; Mustaqim, Tanzilal; Safitri, Pima Hani; Oktavia, Vessa Rizky
Jurnal Algoritma Vol 22 No 1 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-1.2255

Abstract

Diabetic Retinopathic (DR) is one of the retinal disorders caused by high blood sugar levels. There are fewer ophthalmologists available, and treating DR patients manually is a time-consuming process. Therefore, there is a need for an automatic DR early detection method using Deep Learning. The purpose of this research is to build a web-based DR early detection prototype with retinal image classification using the DenseNet121 Deep Learning model and the Stochastic Gradient Descent (SGD) optimizer to improve the accessibility and efficiency of screening. The software development method used in this research is waterfall which consists of analysis phase, design phase, implementation phase, and testing phase. To ensure the prototype runs as planned, black-box testing is carried out on each of its features to ensure system functionality in accordance with predetermined specifications. This research produces a RD early detection prototype that has been tested with all 16 test cases and has a suitable status. Future research can be carried out further system development by involving real users such as ophthalmologists and can be applied in hospitals.
Analisis Perbandingan Metode Preprocessing untuk Citra Retinopati Diabetik Menggunakan Deep learning Safitri, Pima Hani; Mustaqim, Tanzilal; Muhajir, Daud
Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-2.2324

Abstract

Retinopati diabetik adalah gejala yang disebabkan oleh komplikasi diabetes yang menyerang mata penderitanya. Bercak-bercak pada retina penderita menjadi ciri gejalanya. Semakin banyak bercak, maka semakin parah retinopati diabetik yang diderita. Upaya peneliti untuk mendeteksi retinopati diabetik dengan citra retina sudah mulai dikembangkan dengan teknologi kecerdasan buatan, salah satunya berbasis deep learning. Kesulitan selanjutnya adalah kualitas citra retina yang kurang baik, sehingga mengakibatkan hasil deteksi yang kurang baik. Oleh karena itu, penelitian ini mengusulkan analisis perbandingan teknik untuk meningkatkan akurasi pengolahan citra deteksi retinopati diabetik berbasis deep learning. Data yang digunakan adalah data APTOS2019, yang terdiri dari 5 kelas berdasarkan tingkat keparahan penyakit. Ada tiga teknik yang digunakan: CLAHE, gamma correction, dan Retinex. Arsitektur deep learning yang digunakan adalah DenseNet121 dan EfficientNetB0 karena telah banyak digunakan pada data citra medis. Hasilnya, kombinasi gamma correction dan DenseNet121 menghasilkan akurasi tertinggi yaitu 81,4%. Sedangkan akurasi terendah diperoleh dari kombinasi menggunakan Retinex. Arsitektur terbaik secara keseluruhan adalah EfficientNetB0, dengan rata-rata akurasi sebesar 81,9%. Selanjutnya, penelitian ini dapat digunakan untuk memperbaiki citra retinopati diabetik sehingga deteksi dapat dilakukan sedini mungkin.