PENERAPAN PRINCIPAL COMPONENT ANALYSIS PADA MODEL
RESNET50 UNTUK DIAGNOSIS DIABETIC RETINOPATHY
Total View This Week0
Total View This Week0
Institusion
Universitas Pembangunan Nasional Veteran Yogyakarta
Author
Zulfaani, Alifian
Subject
ZA Information resources
Datestamp
2024-10-03 03:44:35
Abstract :
viii ABSTRAK Diabetic Retinopathy adalah masalah diabetes yang mempengaruhi mata karena kerusakan pembuluh darah menuju jaringan sensitif cahaya di retina, yang menyebabkan penglihatan kabur, kehilangan penglihatan, area penglihatan yang gelap, dan benang hitam yang mengapung di penglihatan. Penelitian ini bertujuan untuk menerapkan teknik Principal Component Analysis untuk mereduksi dimensi data sehingga dapat mengurangi jumlah parameter dan memori yang diperlukan oleh model ResNet50, serta meningkatkan efisiensi komputasi sehingga diagnosis Diabetic Retinopathy mendapatkan hasil yang lebih baik. Hasil dari penelitian ini menunjukkan bahwa Principal Component Analysis berhasil mereduksi dimensi data dengan mengurangi jumlah fitur dari 2048 menjadi 100 fitur yang paling relevan, yang berkontribusi pada peningkatan kecepatan pelatihan model yang sebelumnya 480 hingga 600 detik atau sekitar 8-10 menit per epoch menjadi 370 hingga 380 detik atau sekitar 6 menit per epoch. Penggunaan Principal Component Analysis pada model ResNet50 menghasilkan akurasi pengujian sebesar 80%, lebih besar dibandingkan ResNet50 saja sebesar 77%. Citra kelas Mild, Severe, dan Proliferative DR memiliki kemiripan dengan citra Moderate. Pada skenario pengujian pertama, hampir seluruh citra pada kelas-kelas tersebut mengalami kesalahan klasifikasi ke kelas Moderate. Sementara itu, pada skenario pengujian kedua, terdapat beberapa citra pada kelas-kelas tersebut mengalami kesalahan klasifikasi ke kelas Moderate. Untuk citra kelas No DR menunjukkan klasifikasi yang benar antara data aktual dan data prediksi di kedua skenario pengujian. Kata Kunci: ResNet50, Principal Component Analysis, Diabetic Retinopathy, Deep Learning. ix ABSTRACT Diabetic Retinopathy is a diabetes problem that affects the eyes due to damage to the blood vessels to the light-sensitive tissue in the retina, leading to blurred vision, loss of vision, dark areas of vision, and floating black threads in the vision. This research aims to apply the Principal Component Analysis technique to reduce data dimensions so as to reduce the number of parameters and memory required by the ResNet50 model, as well as increase computational efficiency so that the diagnosis of Diabetic Retinopathy gets better results. The results of this research show that Principal Component Analysis succeeded in reducing data dimensions by reducing the number of features from 2048 to 100 of the most relevant features, which contributed to increasing the model training speed from previously 480-600 seconds or around 8-10 minutes per epoch to 370- 380 seconds or about 6 minutes per epoch. The use of Principal Component Analysis in the ResNet50 model produces test accuracy of 80%, greater than ResNet50 alone which is 77%. The Mild, Severe, and Proliferative DR class images are similar to the Moderate image. In the first test scenario, almost all images in these classes were misclassified into the Moderate class. Meanwhile, in the second test scenario, several images in these classes experienced misclassification to the Moderate class. For class No DR images show correct classification between actual data and predicted data in both test scenarios Keywords: ResNet50, Principal Component Analysis, Diabetic Retinopathy, Deep Learning.
viii ABSTRAK Diabetic Retinopathy adalah masalah diabetes yang mempengaruhi mata karena kerusakan pembuluh darah menuju jaringan sensitif cahaya di retina, yang menyebabkan penglihatan kabur, kehilangan penglihatan, area penglihatan yang gelap, dan benang hitam yang mengapung di penglihatan. Penelitian ini bertujuan untuk menerapkan teknik Principal Component Analysis untuk mereduksi dimensi data sehingga dapat mengurangi jumlah parameter dan memori yang diperlukan oleh model ResNet50, serta meningkatkan efisiensi komputasi sehingga diagnosis Diabetic Retinopathy mendapatkan hasil yang lebih baik. Hasil dari penelitian ini menunjukkan bahwa Principal Component Analysis berhasil mereduksi dimensi data dengan mengurangi jumlah fitur dari 2048 menjadi 100 fitur yang paling relevan, yang berkontribusi pada peningkatan kecepatan pelatihan model yang sebelumnya 480 hingga 600 detik atau sekitar 8-10 menit per epoch menjadi 370 hingga 380 detik atau sekitar 6 menit per epoch. Penggunaan Principal Component Analysis pada model ResNet50 menghasilkan akurasi pengujian sebesar 80%, lebih besar dibandingkan ResNet50 saja sebesar 77%. Citra kelas Mild, Severe, dan Proliferative DR memiliki kemiripan dengan citra Moderate. Pada skenario pengujian pertama, hampir seluruh citra pada kelas-kelas tersebut mengalami kesalahan klasifikasi ke kelas Moderate. Sementara itu, pada skenario pengujian kedua, terdapat beberapa citra pada kelas-kelas tersebut mengalami kesalahan klasifikasi ke kelas Moderate. Untuk citra kelas No DR menunjukkan klasifikasi yang benar antara data aktual dan data prediksi di kedua skenario pengujian. Kata Kunci: ResNet50, Principal Component Analysis, Diabetic Retinopathy, Deep Learning. ix ABSTRACT Diabetic Retinopathy is a diabetes problem that affects the eyes due to damage to the blood vessels to the light-sensitive tissue in the retina, leading to blurred vision, loss of vision, dark areas of vision, and floating black threads in the vision. This research aims to apply the Principal Component Analysis technique to reduce data dimensions so as to reduce the number of parameters and memory required by the ResNet50 model, as well as increase computational efficiency so that the diagnosis of Diabetic Retinopathy gets better results. The results of this research show that Principal Component Analysis succeeded in reducing data dimensions by reducing the number of features from 2048 to 100 of the most relevant features, which contributed to increasing the model training speed from previously 480-600 seconds or around 8-10 minutes per epoch to 370- 380 seconds or about 6 minutes per epoch. The use of Principal Component Analysis in the ResNet50 model produces test accuracy of 80%, greater than ResNet50 alone which is 77%. The Mild, Severe, and Proliferative DR class images are similar to the Moderate image. In the first test scenario, almost all images in these classes were misclassified into the Moderate class. Meanwhile, in the second test scenario, several images in these classes experienced misclassification to the Moderate class. For class No DR images show correct classification between actual data and predicted data in both test scenarios Keywords: ResNet50, Principal Component Analysis, Diabetic Retinopathy, Deep Learning.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
