Perbandingan Kinerja Convolutional Neural Network ResNet-50 dan ViT-B/16 dalam Deteksi Glaukoma pada Citra Fundus Retina

ALVINO ABYAN RIZALDI, . (2026) Perbandingan Kinerja Convolutional Neural Network ResNet-50 dan ViT-B/16 dalam Deteksi Glaukoma pada Citra Fundus Retina. Skripsi thesis, UPN "VETERAN" YOGYAKARTA.

	Text 123220114_Cover - Alvino Abyan Rizaldi.pdf Download (153kB)
	Text 123220114_Abstrak - Alvino Abyan Rizaldi.pdf Download (257kB)
	Text 123220114_Halaman Pengesahan - Alvino Abyan Rizaldi.pdf Download (109kB)
	Text 123220114_Daftar Isi - Alvino Abyan Rizaldi.pdf Download (265kB)
	Text 123220114_Daftar Pustaka - Alvino Abyan Rizaldi.pdf Download (138kB)
	Text 123220114_Fulltext - Alvino Abyan Rizaldi.pdf Restricted to Repository staff only Download (3MB)

Abstract

Glaukoma merupakan penyebab utama kebutaan permanen di dunia yang merusak
saraf optik secara progresif. Deteksi dini sangat krusial, tetapi pemeriksaan manual terhadap
citra fundus retina oleh dokter spesialis memakan waktu lama dan sering kali bersifat
subjektif. Sistem Computer-Aided Diagnosis (CAD) berbasis deep learning menawarkan
solusi penapisan massal yang cepat dan konsisten. Selama ini, arsitektur Convolutional
Neural Network (CNN) seperti ResNet-50 mendominasi dengan bias induktif lokalnya,
tetapi berpotensi melewatkan anomali tekstur global pada retina. Sebagai alternatif mutakhir,
arsitektur Vision Transformer (ViT) hadir memecahkan batasan tersebut melalui mekanisme
self-attention untuk menangkap hubungan spasial secara utuh, meskipun menuntut beban
komputasi yang sangat tinggi. Perbedaan karakteristik mendasar ini memunculkan
permasalahan mengenai arsitektur mana yang memiliki efektivitas terbaik antara akurasi
prediktif klinis dan efisiensi waktu. Oleh karena itu, penelitian ini bertujuan mengevaluasi
dan membandingkan secara komprehensif kinerja kedua arsitektur tersebut dalam
mendeteksi glaukoma.
Metode penelitian diawali dengan akuisisi dataset publik citra fundus retina yang
dibagi secara terstratifikasi dengan rasio 80:20 untuk pengalokasian data latih dan data uji.
Teknik augmentasi data kombinasi diterapkan secara khusus pada data latih guna
memperkaya variasi fitur. Tahap pra-pemrosesan citra mengintegrasikan metode kontras
adaptif (CLAHE), penyesuaian dimensi menjadi 224 × 224 piksel, transformasi geometris,
serta normalisasi standar dari ImageNet. Eksperimen diuji secara teliti melalui 16 skenario
yang memvariasikan batch size (16 dan 32), fungsi optimasi (Adam dan AdamW), serta
learning rate (1 × 10−5 dan 1 × 10−4), dengan early stopping. Sistem evaluasi kemudian
diimplementasikan ke dalam dashboard antarmuka interaktif berbasis Streamlit.
Hasil pengujian membuktikan bahwa arsitektur ViT-B/16 pada skenario 10 (batch
size 16, fungsi optimasi Adam, dan learning rate 1 × 10−4) berhasil menjadi model terbaik
dengan capaian akurasi 95,55%, presisi 95,74%, sensitivitas 95,55%, F1-Score 95,56%, dan
nilai AUC 0,9872. Sementara itu, kelompok ResNet-50 mencapai performa optimalnya pada
skenario 6 dengan akurasi 94,74%. Terdapat kompromi waktu komputasi operasional yang
sangat tajam di antara keduanya. ResNet-50 terbukti sangat efisien dengan waktu pelatihan
di bawah satu jam dan inferensi kurang dari satu menit, sedangkan ViT-B/16 membutuhkan
hingga 674 menit pelatihan dan inferensi 3-4 menit. Penelitian ini berkontribusi memberikan
panduan komprehensif bagi implementasi penapisan glaukoma yang akurat, responsif, dan
dapat diandalkan.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Glaukoma, ResNet-50, Vision Transformer, Citra Fundus Retina, Deep Learning
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	09 Oct 2026 01:59
Last Modified:	09 Oct 2026 01:59
URI:	http://eprints.upnyk.ac.id/id/eprint/49636

Actions (login required)

View Item