Article Sidebar

Submitted
November 25, 2020
Accepted
February 4, 2021
Published
March 10, 2021
Download
PDF (Bahasa Indonesia)
Statistic
Read Counter : 184 Download : 330

Downloads

Download data is not yet available.

Main Article Content

Abstract

Penelitian ini mengusulkan algoritma CNN ensemble classifier untuk klasifikasi level non-proliferatif Retinopati diabetik. Penelitian ini menggunakan metode transfer learning feature-extraction, dan membandingkannya dengan fine-tuning. Pada lapisan pertama lapisan klasifikasi, dibandingkan penggunaan lapisan GAP dan Flatten dengan menggunakan metode dropout. Mode terbaik digunakan sebagai mode final klasifikasi. Arsitektur yang digunakan adalah DenseNet201, InceptionV3 dan MobileNetV2, Masing-masing model diuji dengan optimasi SGD dan ADAM. Keputusan prediksi diambil berdasarkan metode average voting. Hasil pengujian masing-masing arsitektur menunjukkan hasil terbaik adalah fine tuning, GAP, dan optimasi ADAM. Model final fine-tuning DenseNet201, InceptionV3 dan MobileNetV2 dapat mengklasfikasi level retinopati diabetik dengan akurasi pada data uji masing-masing 93%, 94% dan 89%. Sedangkan performa klasifikasi model ensemble untuk masing-masing kelas memiliki akurasi terendah 95,6% dan F1-Score terendah 91.3%.

Kata Kunci: retinopati diabetik, deep learning, convolutional neural network, ensemble classifier, DenseNet201,  InceptionV3, MobileNetV2.

Article Details

License
  1. Seluruh materi yang terdapat dalam situs ini dilindungi oleh undang-undang. Dipersilahkan mengutip sebagian atau seluruh isi situs web ini sesuai dengan ketentuan yang berlaku.
  2. Apabila anda menemukan satu atau beberapa artikel yang terdapat dalam Jurnal Pseudocode yang melanggar atau berpotensi melanggar hak cipta yang anda miliki, silahkan laporkan kepada kami, melalui email pada Priciple Contact.
  3. Aspek legal formal terhadap akses setiap informasi dan artikel yang tercantum dalam situs  jurnal ini mengacu pada ketentuan lisensi Creative Commons Atribusi-ShareAlike (CC-BY-SA).
  4. Semua Informasi yang terdapat di Jurnal Pseudocode  bersifat akademik. Jurnal Pseudocode  tidak bertanggung jawab terhadap kerugian yang terjadi karana penyalah gunaan informasi dari situs ini.
Author Biographies

Ruvita Faurina, Universitas Bengkulu

Teknik Informatika, Universitas Bengkulu

Endina Putri Purwandari, Universitas Bengkulu

Teknik Informatika, Universitas Bengkulu

Mario Tiara Pratama, Universitas Bengkulu

Teknik Elektro, Universitas Bengkulu

Indra Agustian, Universitas Bengkulu

Teknik Elektro, Universitas Bengkulu
How to Cite
Faurina, R., Purwandari, E. P., Pratama, M. T., & Agustian, I. (2021). Klasifikasi Level Non-Proliferatif Retinopati Diabetik Dengan Ensemble Convolutional Neural Network. Pseudocode, 8(1), 1–10. https://doi.org/10.33369/pseudocode.8.1.1-10
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. Erlvira and E. E. Suryawijaya, “Retinopati Diabetes,” Cermin Dunia Kedokt., vol. 46, no. 3, pp. 220–224, 2019.
  2. Kementerian Kesehatan RI, “WASPADA DIABETES, Eat well Live well,” Pusat Data dan Informasi, 2014.
  3. M. S. Sari, Ratna, Rasmala Dewi, “Pola Retinopati Diabetik Pada Pasien Diabetes Mellitus Rawat Jalan Di RSUD Raden Mattaher Jambi,” J. Healthc. Technol. Med., vol. 5, no. 2, pp. 287–296, 2019.
  4. P. Z. Z. Tapp, Robyn J., Jonathan E. Shaw, C. Alex Harper, Maximilian P. De Courten, Beverley Balkau, Daniel J. McCarty, Hugh R. Taylor, Timothy A. Welborn, “The prevalence of and factors associated with diabetic retinopathy in the Australian population,” Diabetes Care, vol. 26, no. 6, pp. 1731–1737, 2003.
  5. 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.
  6. R. Casanova, S. Saldana, E. Y. Chew, R. P. Danis, C. M. Greven, and W. T. Ambrosius, “Application of random forests methods to diabetic retinopathy classification analyses,” PLoS One, vol. 9, no. 6, pp. 1–8, 2014.
  7. M. Faisal, D. Wahono, I. K. E. Purnama, M. Hariadi, and M. H. Purnomo, “Classification of diabetic retinopathy patients using support vector machines (SVM) based on digital retinal image,” J. Theor. Appl. Inf. Technol., vol. 59, no. 1, pp. 197–204, 2014.
  8. A. Dhakal and S. Shakya, “Detection and Classification of Diabetic Retinopathy using Adaptive Boosting and Artificial Neural Network,” no. August, 2019.
  9. A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Adv. Neural Inf. Process. Syst., vol. 2, pp. 1097–1105, 2012.
  10. Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.
  11. Y. Bengio, A. Courvile, and P. Vincent, “Representation Learning: A Review and New Perspectives,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 8, pp. 1798–1828, 2013.
  12. H. C. Shin et al., “Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning,” IEEE Trans. Med. Imaging, vol. 35, no. 5, pp. 1285–1298, 2016.
  13. I. Kandel and M. Castelli, “Transfer learning with convolutional neural networks for diabetic retinopathy image classification. A review,” Appl. Sci., vol. 10, no. 6, 2020.
  14. Xu K, Feng D, Mi H. Deep convolutional neural network-based early automated detection of diabetic retinopathy using fundus image. Molecules. 2017 Dec;22(12):2054.
  15. W. M. Gondal, J. M. Köhler, R. Grzeszick, G. A. Fink, and M. Hirsch, ‘‘Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images,’’ in Proc. IEEE Int. Conf. Image Process. (ICIP), Sep. 2017, pp. 2069–2073.
  16. H. Pratt, F. Coenen, D. M. Broadbent, S. P. Harding, and Y. Zheng, ‘‘Convolutional neural networks for diabetic retinopathy,’’ Procedia Comput. Sci., vol. 90, pp. 200–205, Jan. 2016.
  17. Krishnan AS, Bhat V, Ramteke PB, Koolagudi SG. “A Transfer Learning Approach for Diabetic Retinopathy Classification Using Deep Convolutional Neural Networks”. In2018 15th IEEE India Council International Conference (INDICON) 2018 Dec 16 (pp. 1-6). IEEE.
  18. "APTOS", 2019, [online] Available: https://www.kaggle.com/c/aptos2019-blindness-detection/overview/aptos-2019.
  19. Pizer SM, Amburn EP, Austin JD, Cromartie R, Geselowitz A, Greer T, ter Haar Romeny B, Zimmerman JB, Zuiderveld K. “Adaptive histogram equalization and its variations”. Computer vision, graphics, and image processing. 1987 Sep 1;39(3):355-68.
  20. Haddad RA, Akansu AN. “A class of fast Gaussian binomial filters for speech and image processing”. IEEE Transactions on Signal Processing. 1991 Mar 1;39(3):723-7.
  21. Townsend JT. “Theoretical analysis of an alphabetic confusion matrix”. Perception & Psychophysics. 1971 Jan 1;9(1):40-50.
  22. Shin HC, Roth HR, Gao M, Lu L, Xu Z, Nogues I, Yao J, Mollura D, Summers RM. “Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning”. IEEE transactions on medical imaging. 2016 Feb 11;35(5):1285-98.
  23. Bottou L. “Stochastic gradient descent tricks”. InNeural networks: Tricks of the trade 2012 (pp. 421-436). Springer, Berlin, Heidelberg.
  24. Zhang Z. “Improved adam optimizer for deep neural networks”. In2018 IEEE/ACM 26th International Symposium on Quality of Service (IWQoS) 2018 Jun 4 (pp. 1-2). IEEE.