<![CDATA[Retinopati Diabetik (RD) merupakan komplikasi serius dari diabetes yang dapat menyebabkan kerusakan pada retina dan mengancam penglihatan. Deteksi dini RD sangat penting untuk mencegah kerusakan mata yang lebih lanjut. Dalam usaha untuk meningkatkan deteksi dini ini, teknologi deep learning, khususnya metode CNN, telah digunakan secara luas. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan kinerja empat arsitektur CNN yang berbeda, yaitu ResNet152V2, Xception, DenseNet201, dan InceptionV3, dalam klasifikasi gambar retina untuk mendeteksi RD. Pertama, dataset gambar retina dibagi menjadi kategori yang terinfeksi RD dan yang tidak. Kemudian, model CNN dikembangkan dan dilatih menggunakan data latih untuk mengklasifikasikan gambar. Penggunaan teknik augmentasi data membantu meningkatkan generalisasi model. Setelah melatih model, pengujian dilakukan menggunakan dataset uji yang terpisah untuk mengevaluasi kinerja masing-masing model. Hasil pengujian menunjukkan bahwa Xception dan DenseNet201 menghasilkan kinerja yang sangat baik dalam mendeteksi RD, dengan akurasi, presisi, recall, dan F1-Score mencapai 96%. Hasil evaluasi ini menegaskan bahwa teknologi deep learning, terutama dalam bentuk CNN, memiliki potensi besar dalam mendukung diagnosis medis, khususnya dalam deteksi penyakit mata kompleks seperti RD. Penggunaan model-model ini dapat memberikan manfaat yang signifikan bagi pasien RD, memungkinkan deteksi dini yang lebih efektif dan penanganan yang lebih tepat waktu. Dengan demikian, penelitian ini memberikan kontribusi penting dalam pengembangan solusi otomatis untuk diagnosis RD, yang dapat meningkatkan perawatan kesehatan mata secara keseluruhan.]]>
Copyrights © 2024
