Convolutional Neural Network (CNN) adalah metode deep learning yang berkinerja baik dalam pemrosesan data gambar. Kelemahan CNN adalah membutuhkan waktu yang lama untuk pelatihan dan membutuhkan banyak memori komputer, sehingga dalam penelitian ini diusulkan untuk menggunakan metode Hybrid (Convolutional feature learning dan Extreme Learning Machine) untuk mengatasi masalah tersebut. Metode Hybrid Convolution Extreme Learning Machine (CELM) akan mengklasifikasikan gambar fundus Diabetic Retinopathy (DR).
Organisasi Kesehatan Dunia (WHO) mengakui bahwa DR adalah penyakit mata yang signifikan yang menyebabkan kebutaan dan memerlukan perhatian khusus karena penyakit ini meningkat dengan cepat. Penelitian ini menggunakan 44 data yang diperoleh dari data DRIVE dan terdiri dari lima kelas (Normal, Ringan, Sedang, Berat, Retinopati Diabetik Proliferatif (PDR)).
Proses yang dilakukan dalam penelitian ini adalah preprocessing (Cropping, Resize, dan Augmentation) dan klasifikasi menggunakan CELM. Tahap preprocessing terdiri dari beberapa proses yakni memotong, mengubah ukuran, dan augmentasi data. Memotong dan mengubah ukuran dilakukan karena diperlukan data berupa gambar berdimensi persegi dan berukuran 224 x 224 dimensi. Langkah selanjutnya adalah menerapkan Contrast Limit Metode Adaptive Histogram Equalization (CLAHE) pada masing-masing saluran (RGB) citra fundus. Preprocessing terakhir adalah augmentasi data, sementara deep learning akan lebih efisien saat menggunakan kumpulan data besar. Jenis augmentasi yang digunakan adalah rotasi. Hasil akhir dari preprocessing akan diproses dengan metode hybrid CELM.
Berdasarkan hasil penelitian, penerapan metode CELM pada kasus DR dengan menggunakan data citra fundus, dapat disimpulkan bahwa CELM dapat menutupi kekurangan CNN dari segi waktu pelatihan. CELM berhasil mempercepat proses pembelajaran dan memperoleh hasil akurasi yang tinggi. Hal ini dibuktikan dengan beberapa percobaan menggunakan arsitektur hybrid CNN dan ELM dengan akurasi lebih dari 95% dan waktu pelatihan kurang dari 5 detik. Hasil akurasi secara keseluruhan diperoleh dengan metode CELM yang mencapai akurasi 99,95% dengan arsitektur terbaik didapatkan pada ResNet50 dengan 800 hidden node dan membutuhkan waktu training yang singkat yaitu 1.539 detik.
Penulis: Dr. Fatmawati, M.Si
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://ieeexplore.ieee.org/document/9972313
Authors: D. C. R. Novitasari, Fatmawati, R. Hendradi.
Title: Hybrid Method to Identify Diabetic Retinopathy.
