Transformasi Citra Retina dengan CLAHE untuk Meningkatkan Akurasi ResNet dalam Klasifikasi Penyakit Retina

Abstrak

Penyakit pada retina merupakan salah satu penyakit serius yang dapat menyebabkan gangguan penglihatan, bahkan dapat menyebabkan kebutaan. Data menyebutkan sebanyak 6,3 – 17,9 persen kasus setiap 100.000 penduduk di dunia menderita penyakit retina setiap tahunnya. Melakukan diagnosis dini penyakit retina sangat penting, namun biasanya memerlukan waktu yang lama dalam proses diagnosisnya. Salah satu pendekatan yang dapat digunakan untuk mendiagnosis dini penyakit retina dengan lebih cepat yaitu dengan memanfaatkan model – model Artificial Intelligence seperti ResNet yang merupakan bagian dari arsitektur CNN yang dapat dengan baik melakukan proses klasifikasi pada data-data gambar. Dataset yang digunakan diperoleh dari Kaggle dengan nama Retinal OCT Images (optical coherence tomography) yang terdiri dari 4 kelas dengan total data sebanyak 83.600 data gambar. Data OCT umumnya memiliki kontras yang rendah sehingga perlu teknik transformasi citra menggunakan CLAHE. CLAHE terbukti dapat meningkatkan akurasi model ResNet sebanyak 2%. Awalnya ResNet tanpa CLAHE memperoleh akurasi, recall, dan F1-Score masing-masing sebesar 92% dengan presisi yang diperoleh sebesar 93%. Dengan proses transformasi citra pada tahapan preprocessing menggunakan CLAHE, ResNet memperoleh akurasi, presisi, recall dan F1-Score masing-masing sebesar 94%. Keduanya memperoleh perolehan epoch terbaik berdasarkan akurasi di angka 27, namun grafik pelatihan yang dihasilkan model ResNet tanpa CLAHE lebih berfluktuatif. Dengan perolehan akurasi yang lebih tinggi, model ResNet50 + CLAHE merupakan model yang terbaik selama pengujian.