PENERAPAN DEEP LEARNING DAN GENERATIVE ADVERSARIAL
NETWORKS (GAN) UNTUK AUGMENTASI DATA DALAM
KLASIFIKASI RETINOPATI DIABETIK PADA CITRA FUNDUS MATA

Oleh

DEDE IRMAN PIRDAUS
9882405121111006

Retinopati Diabetik (RD) merupakan salah satu komplikasi diabetes yang
berpotensi menyebabkan kebutaan. Secara global, jumlah penderita diperkirakan
mencapai 161 juta pada tahun 2045, sementara di Indonesia prevalensinya berkisar
antara 10 hingga 32%. Deteksi dini RD melalui analisis citra fundus retina
menggunakan pendekatan deep learning memerlukan jumlah data yang besar dan
seimbang. Namun, keterbatasan data asli seringkali menjadi kendala dan
meningkatkan risiko overfitting. Penelitian ini mengusulkan pemanfaatan Deep
Convolutional Generative Adversarial Networks (DCGAN) untuk memperkaya
dataset melalui pembuatan citra sintetis. Kualitas citra hasil generasi dievaluasi
menggunakan Fréchet Inception Distance (FID), sedangkan efektivitasnya diuji
pada model klasifikasi menggunakan arsitektur ResNet-18 dan EfficientNet-B0.
Proses penelitian mencakup tahap preprocessing (konversi ke grayscale, resizing,
dan normalisasi), pelatihan DCGAN, evaluasi kualitas citra sintetis dengan nilai
FID, serta pelatihan model klasifikasi pada dua skenario yaitu dengan dan tanpa
data sintetis. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi,
recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa
penggunaan citra sintetis dari DCGAN mampu meningkatkan akurasi model, dari

0,91 menjadi 0,92 untuk ResNet-18, dan dari 0,91 menjadi 0,93 untuk EfficientNet-
B0, dengan nilai AUC mencapai 0,98. Kesimpulannya, augmentasi berbasis

DCGAN terbukti efektif dalam meningkatkan performa klasifikasi RD.

Kata Kunci : Retinopati diabetik, citra fundus retina, data augmentasi, deep

learning, Generative Adversarial Networks (GAN)