Diabetic retinopathy (DR) awalnya berasal dari kerusakan pembuluh darah mata yang menyebabkan perdarahan hingga kebutaan permanen. Tingkat keparahan DR tidak mudah diketahui. Oleh karena itu, perlu dibuat suatu sistem yang mampu mengidentifikasi tingkat keparahan DR.
Pada penelitian ini, identifikasi DR dilakukan dengan menggunakan hybrid Convolutional Neural Network (CNN) dan metode Extreme Learning Machine (ELM). Hybrid CNN-ELM berguna untuk mendapatkan model yang paling efektif dalam sistem klasifikasi dan waktu komputasi. Arsitektur CNN berguna untuk mengekstraksi data fundus dalam pengenalan fitur citra. Beberapa metode ELM yang dimodifikasi seperti Kernel Extreme Learning Machine (KELM), Multi-Layer Extreme Learning Machine (MLELM) dan Deep Extreme Learning Machine (DELM) digunakan untuk mengklasifikasikan tingkat keparahan DR berdasarkan hasil Ekstraksi fitur CNN. Klasifikasi dilakukan pada empat tingkat keparahan DR yakni Normal, Ringan, Sedang, dan Berat. Data yang digunakan adalah dataset DRIVE dan Messidor yang diekstrak menggunakan beberapa arsitektur CNN. Setiap arsitektur menghasilkan nilai ekstraksi fitur peta yang berbeda. Beberapa percobaan metode ELM yang dimodifikasi dilakukan untuk menentukan sistem klasifikasi yang optimal. Hasil evaluasi dihitung dengan menggunakan nilai akurasi, sensitivitas, spesifisitas, dan waktu komputasi.
Berdasarkan pada nilai rata-rata, evaluasi arsitektur terbaik dalam mengekstraksi data fundus adalah DenseNet dibandingkan dengan GoogleNet, ResNet18, ResNet50, dan ResNet101. Berdasarkan waktu komputasi, metode KELM lebih cepat dibandingkan dengan MLELM dan metode DELM, dengan waktu rata-rata 43 detik. Hasil pada dataset DRIVE menghasilkan evaluasi yang baik, sedangkan Messidor memperoleh hasil yang baik pada metode MLELM. Hal ini menunjukkan bahwa data Messidor mampu dipisahkan dengan baik secara linier. Metode CNN-MLELM yang dimodifikasi menghasilkan nilai yang lebih stabil di kedua dataset dengan akurasi rata-rata 99,21%, sensitivitas 99,29%, dan spesifisitas 99,21%. Berdasarkan perbedaan dataset, DRIVE menghasilkan nilai evaluasi yang baik dibandingkan dengan Messidor. Hal tersebut menunjukkan bahwa tingkat variasi data mempengaruhi tingkat kompleksitas dan hasil dari sistem klasifikasi.
Penulis: Dr. Fatmawati, M.Si
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Authors: D. C. R. Novitasari, Fatmawati, R. Hendradi, dkk.
Title: An Effective Hybrid Convolutional-Modified Extreme Learning Machine in Early Stage Diabetic Retinopathy.
