// <![CDATA[PENDEKATAN AUGMENTASI CITRA FUNDUS PADA MODEL EFFICIENTNET UNTUK KLASIFIKASI TINGKAT KEPARAHAN RETINOPATI DIABETIK DENGAN DATASET TIDAK SEIMBANG]]> 120240203 - Chalifa Chazar, S.T., M.T. Dosen Pembimbing 1 MUHAMMAD ARKAN ADLI / 152021168 Penulis
Penelitian ini mengatasi tantangan fundamental ketidakseimbangan kelas pada dataset APTOS 2019 untuk klasifikasi tingkat keparahan retinopati diabetik (diabetic retinopathy), suatu kondisi yang berisiko menghasilkan model diagnosis yang bias terhadap kelas mayoritas. Tujuan utama penelitian ini adalah untuk merancang dan mengevaluasi sebuah model klasifikasi berbasis arsitektur EfficientNet-B0 agar memiliki performa lebih adil di seluruh kelas dengan menerapkan strategi augmentasi citra yang terarah. Metodologi penelitian melibatkan preprocessing citra fundus dan penerapan augmentasi selektif mencakup rotasi, flip horizontal, penyesuaian kecerahan, dan penyesuaian kontras dengan metode oversampling hanya pada data latih. Strategi ini berhasil menyeimbangkan distribusi setiap kelas dalam set pelatihan menjadi 1.444 sampel, sementara set validasi dan uji dibiarkan dalam kondisi aslinya untuk evaluasi yang representatif. Hasil menunjukkan bahwa model tanpa augmentasi (Skenario 1) memiliki kinerja yang sangat timpang dengan F1-Score rendah pada kelas minoritas seperti Mild (0,1429) dan Severe (0,0870), yang mengonfirmasi adanya bias. Sebaliknya, skenario terbaik yang mengombinasikan seluruh teknik augmentasi (Skenario 5) menunjukkan peningkatan performa yang signifikan dan merata, dengan F1-Score untuk kelas No_DR (0,9781), Mild (0,6500), Moderate (0,7411), Severe (0,4211), dan Proliferate_DR (0,6415). Analisis confusion matrix pada skenario terbaik juga menunjukkan distribusi prediksi yang paling seimbang, dengan kesalahan klasifikasi yang cenderung terjadi pada tingkat keparahan yang berdekatan secara klinis, seperti prediksi Severe menjadi Moderate. Dengan demikian, penelitian ini menyimpulkan bahwa pendekatan augmentasi terarah, khususnya kombinasi rotasi, flip, penyesuaian kecerahan, dan kontras, terbukti efektif sebagai solusi untuk mengatasi ketidakseimbangan dataset