<![CDATA[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.]]>
Copyrights © 2025
