Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Azhari, Muhammad Rizqi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Fine-Tuning Deep Convolutional Generative Adversarial Networks (DCGAN) untuk Generasi Data Sintetis Citra Fundus Retina Azhari, Muhammad Rizqi; Fatyanosa, Tirana Noor; Dewi, Candra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengembangkan dan menganalisis penerapan Deep Convolutional Generative Adversarial Networks (DCGAN) dalam menghasilkan citra sintetis fundus retina untuk mendukung klasifikasi penyakit mata yang meliputi tiga kelas: normal, katarak, dan glaukoma. Fokus utama penelitian ini adalah menyelidiki pengaruh penyetelan hyperparameter terhadap performa DCGAN, serta membandingkan performa antara pelatihan model menggunakan seluruh dataset dengan pelatihan berdasarkan kelas (class-specific). Metodologi yang digunakan mencakup preprocessing data, perancangan arsitektur DCGAN, hyperparameter tuning menggunakan Optuna, serta pelatihan model menggunakan dua pendekatan: seluruh dataset dan class-specific. Evaluasi model dilakukan dengan dua metrik umum pada GAN, yaitu Frechet Inception Distance (FID) dan Inception Score (IS). Hasil penelitian menunjukkan bahwa konfigurasi hyperparameter terbaik diperoleh dari kombinasi: batch size 64, learning rate generator 0,0079 (Adam, β1=0,4748, β2=0,7258), dan learning rate discriminator 0,0016 (SGD, β1=0,4192, β2=0,6781). Pada pelatihan seluruh dataset, model DCGAN mencapai skor FID terbaik sebesar 113,1952 dan IS sebesar 1,0182. Sementara itu, pada pelatihan class-specific, performa terbaik diperoleh pada kelas normal (FID 89,5971 dan IS 1,0185) dan performa terendah pada kelas katarak (FID 156,0789 dan IS 1,0126). Hasil ini menunjukkan bahwa pelatihan class-specific memungkinkan model mempelajari karakteristik kelas lebih mendalam, sementara pelatihan seluruh dataset menghasilkan generalisasi yang baik terhadap distribusi citra retina secara keseluruhan.
Co-Authors Candra Dewi Tirana Noor Fatyanosa, Tirana Noor