Diabetic Retinopathy (DR) merupakan penyebab utama kebutaan yang diderita oleh orang dewasa usia kerja. Peningkatan populasi yang didiagnosis dengan DR dapat dicegah dengan adanya skrining dan pengobatan dini kerusakan mata. Proses skrining ini dapat dilakukan dengan memanfaatkan teknik deep learning. Pada studi ini, deteksi keparahan DR dilakukan dengan menggunakan metode hybrid Convolutional Neural Network (CNN)- Deep Extreme Learning Machine (DELM) yang selanjutnya disebut Convolutional Deep Extreme Learning Machine (CDELM). Metode CDELM diharapkan dapat mengenali pola gambar secara kolektif untuk menghasilkan kinerja akurasi yang lebih baik dan waktu pelatihan yang lebih cepat. Metode CDELM yang diterapkan dalam penelitian ini menggunakan arsitektur CNN yaitu GoogleNet, ResNet, dan DenseNet. Ketiga arsitektur tersebut digunakan karena memiliki ukuran input yang sama, yaitu 224 ´ 224. Metode ini digunakan untuk mengklasifikasikan citra fundus berdasarkan lima stadium pada DR, yaitu normal, mild DR, moderate DR, severe DR, dan PDR.
Pada penelitian ini dilakukan klasifikasi dengan dua kelas eksperimen ganda yaitu dua kelas (Normal dan DR) dan empat kelas (Normal, Ringan, Sedang, dan Parah). Tahap awal dari penelitian adalah memotong citra, CLAHE; mengubah ukuran sesuai dengan ukuran input arsitektur CNN dan melakukan proses augmentasi. Fitur hasil pembelajaran selanjutnya diklasifikasikan menggunakan algoritma Deep Extreme Learning Machine (DELM). Perbandingan dari Arsitektur CNN bertujuan untuk menemukan arsitektur CNN terbaik dalam rangka ekstraksi fitur citra fundus.
Pada penelitian ini juga dilakukan perbandingan pengaruh penggunaan fungsi kernel terhadap kinerja DELM dalam klasifikasi citra fundus. Semua percobaan menggunakan metode CDELM menunjukkan hasil yang maksimal, dengan akurasi sebesar 100% dalam data DRIVE dan data MESSIDOR untuk kategori dua kelas. Sementara itu, hasil terbaik diperoleh pada data empat kelas MESSIDOR yang mencapai 98,20%. Kelebihan metode DELM dibandingkan dengan Metode CNN konvensional adalah durasi waktu pelatihan yang jauh lebih singkat. CNN membutuhkan waktu rata-rata 30 menit untuk pelatihan, sedangkan metode CDELM hanya membutuhkan waktu rata-rata 2,5 menit. Berdasarkan nilai akurasi dan durasi waktu pelatihan, metode CDELM memiliki performansi yang lebih baik dibandingkan metode CDELM daripada metode CNN konvensional.
Penulis: Dr. Fatmawati, M.Si
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.mdpi.com/2504-2289/6/4/146
Authors: D. C. R. Novitasari, Fatmawati, R. Hendradi, dkk.
Title: Â Image Fundus Classification System for Diabetic Retinopathy Stage Detection Using Hybrid CNN-DELM.Â
