Peningkatan Kontras Citra dengan Metode CLAHE pada Pengklasifikasian Diabetic Retinopathy Menggunakan Model InceptionV3
Main Article Content
Abstract
Diabetic retinopathy adalah salah satu penyakit diabetes yang mempengaruhi mata. Deteksi dini dan akurat sangat penting untuk meningkatkan peluang kesembuhan. Klasifikasi diabetic retinopathy membantu dalam menentukan tingkat keparahan dan pengobatan yang tepat. Pada penelitian ini, bertujuan untuk meningkatkan kontras citra menggunakan metode Contras Limited Adaptive Histogram Equalization (CLAHE) dan mengevaluasi pengaruhnya terhadap akurasi klasifikasi diabetic retinopathy menggunakan model InceptionV3. Dataset yang digunakan dalam penelitian ini adalah “APTOS 2019 Blindless Detection” yang terdiri dari 3662 gambar dengan 5 kelas yaitu: No DR, Mild, Moderete, Severe, dan Proliferative DR. Tiga skenario pengujian diterapkan dalam penelitian ini: Skenario 1 tanpa menggunakan CLAHE, Skenario 2 menggunakan CLAHE terlebih dahulu lalu augmentasi, dan Skenario 3 augmentasi terlebih dahulu lalu menggunakan CLAHE. Hasil pengujian menunjukkan bahwa akurasi yang diperoleh adalah 74% untuk skenario tanpa CLAHE, 72% untuk skenario dengan CLAHE sebelum augmentasi, dan 76% untuk skenario dengan augmentasi sebelum CLAHE. Hasil ini menunjukkan bahwa penggunaan CLAHE setelah augmentasi memberikan peningkatan akurasi yang signifikan dalam pengklasifikasian Diabetic Retinopathy
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
K. Shankar, E. Perumal, and R. M. Vidhyavathi, “Deep neural network with moth search optimization algorithm based detection and classification of diabetic retinopathy images,” SN Appl Sci, vol. 2, no. 4, Apr. 2020, doi: 10.1007/s42452-020-2568-8.
M. Nahiduzzaman, M. R. Islam, S. M. R. Islam, M. O. F. Goni, M. S. Anower, and K. S. Kwak, “Hybrid CNN-SVD Based Prominent Feature Extraction and Selection for Grading Diabetic Retinopathy Using Extreme Learning Machine Algorithm,” IEEE Access, vol. 9, pp. 152261–152274, 2021, doi: 10.1109/ACCESS.2021.3125791.
B. Menaouer, Z. Dermane, N. El Houda Kebir, and N. Matta, “Diabetic Retinopathy Classification Using Hybrid Deep Learning Approach,” SN Comput Sci, vol. 3, no. 5, Sep. 2022, doi: 10.1007/s42979-022-01240-8.
V. Lusiana, I. H. Al Amin, and F. A. Sutanto, “Pengaruh Peningkatan Kualitas Citra Menggunakan Modifikasi Kontras Pada Kompresi Data RLE,” Building of Informatics, Technology and Science (BITS), vol. 4, no. 1, Jul. 2022, doi: 10.47065/bits.v4i1.1646.
Z. Gao, J. Li, J. Guo, Y. Chen, Z. Yi, and J. Zhong, “Diagnosis of Diabetic Retinopathy Using Deep Neural Networks,” IEEE Access, vol. 7, pp. 3360–3370, 2019, doi: 10.1109/ACCESS.2018.2888639.
J. A. A. J. A. K. Greeshma Kurup, “Diabetic Retinopathy Detection and Classification using Pretrained Inception-v3,” IEEE Access, pp. 1–6, 2021.
J. E. Widyaya and S. Budi, “Pengaruh Preprocessing Terhadap Klasifikasi Diabetic Retinopathy dengan Pendekatan Transfer Learning Convolutional Neural Network,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, Apr. 2021, doi: 10.28932/jutisi.v7i1.3327.
A. T. N. A. R. C. & S. I. Chaitra Patwardhan, “Diagnosis of Pulmonary Diseases from Chest X-ray Using Deep Learning Approaches,” Proceedings of Third International Conference on Advances in Computer Engineering and Communication Systems, vol. 612, pp. 67–97, 2023.
Y. Z. Y. L. L. W. A. C.-H. C. K. SHANKAR, “Hyperparameter Tuning Deep Learning for Diabetic Retinopathy Fundus Image Classification,” IEEE Access, vol. 8, pp. 118164–118173, 2020.
Asia Pacific Tele-Ophthalmology Society (APTOS), “APTOS 2019 Blindless Detection,” Kaggle.
T. Vijayan, M. Sangeetha, and B. Karthik, “Efficient Analysis of Diabetic Retinopathy on Retinal Fundus Images using Deep Learning Techniques with Inception V3 Architecture,” 2020.
E. Abdelmaksoud, S. El-Sappagh, S. Barakat, T. Abuhmed, and M. Elmogy, “Automatic Diabetic Retinopathy Grading System Based on Detecting Multiple Retinal Lesions,” IEEE Access, vol. 9, pp. 15939–15960, 2021, doi: 10.1109/ACCESS.2021.3052870.
M. S. Meha Desai, “An anatomization on breast cancer detection and diagnosis employing multi-layer perceptron neural network (MLP) and Convolutional neural network (CNN),” Clinical eHealth, vol. 4, pp. 1–11, 2021.
S. C. S. S. L. & G.-R. L. Yu-Dong Zhang, “A five-layer deep convolutional neural network with stochastic pooling for chest CT-based COVID-19 diagnosis,” Mach Vis Appl, 2020.
A. C. L. X. H. X. H. Q. Q. L. K. C. Huazhou Chen, “A deep learning CNN architecture applied in smart near-infrared analysis of water pollution for agricultural irrigation resources,” Agric Water Manag, vol. 240, 2020.
J. Z. A. J. H. A. A.-D. Y. D. O. A.-S. J. S. M. A. F. M. A.-A. & L. F. Laith Alzubaidi, “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J Big Data, vol. 8, 2021.
L. ; L. S. ; B. Q. ; Y. J. ; J. S. ; M. Y. Chen, “Review of Image Classification Algorithms Based on Convolutional Neural Networks,” Remote Sens, 2021.
ZAHRA RAMADHANTI, “DETEKSI DAN IDENTIFIKASI JENIS LUKA LUAR BERDASARKAN IMAGE FEATURE MENGGUNAKAN CNN DENGAN VARIASI PRE-TRAINED MODEL,” 2024.
A. Hakeem, M. Mehra, and R. P. Singh, “Inception V3 and CNN Approach to Classify Diabetic Retinopathy Disease,” Int J Res Appl Sci Eng Technol, vol. 10, no. 11, pp. 660–671, Nov. 2022, doi: 10.22214/ijraset.2022.47407.
D. Oleh, M. Farhan, and D. Ryandra, “PERBANDINGAN ARSITEKTUR RESNET-50 DAN INCEPTIONV3 DALAM KLASIFIKASI COVID 19 BERDASARKAN CITRA X-RAY,” 2021.