EVALUASI KOMPARATIF MODEL HYBRID RESNET-50 + KNN DAN RESNET-50 END-TO-END PADA KLASIFIKASI MULTI-KELAS CITRA FUNDUS

Randhikata, Muhammad Riza (2026) EVALUASI KOMPARATIF MODEL HYBRID RESNET-50 + KNN DAN RESNET-50 END-TO-END PADA KLASIFIKASI MULTI-KELAS CITRA FUNDUS. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_55201_2213020258.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (Similarity) RAMA_55201_2213020258_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (4MB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2213020258_0708028704_0704108701_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (BAB 2) RAMA_55201_2213020258_0708028704_0704108701_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (344kB) | Request a copy
	Text (BAB 3) RAMA_55201_2213020258_0708028704_0704108701_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (791kB) | Request a copy
	Text (BAB 4) RAMA_55201_2213020258_0708028704_0704108701_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (616kB) | Request a copy
	Text (BAB 5) RAMA_55201_2213020258_0708028704_0704108701_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (190kB) | Request a copy
	Text (References) RAMA_55201_2213020258_0708028704_0704108701_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (145kB)
	Text (Lampiran) RAMA_55201_2213020258_0708028704_0704108701_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan model hybrid yang mengombinasikan ResNet-50 sebagai feature extractor dengan K-earest Neighbor (KNN) sebagai classifier dalam klasifikasi multi-kelas citra fundus retina. Selain itu, penelitian ini juga bertujuan untuk membandingkan kinerja model hybrid yang diusulkan dengan model baseline ResNet-50 end-to-end pada klasifikasi empat kategori penyakit mata, yaitu cataract, diabetic retinopathy, glaucoma, dan normal. Model dikembangkan menggunakan pendekatan feature extraction, di mana ResNet-50 yang telah dipra-latih (pretrained) pada ImageNet digunakan untuk menghasilkan representasi fitur berdimensi tinggi yang selanjutnya diklasifikasikan menggunakan algoritma K-Nearest Neighbor. Sebelum proses klasifikasi, dilakukan tahap preprocessing berupa resize citra menjadi 224 × 224 piksel dan normalisasi menggunakan preprocess_input. Selanjutnya, fitur hasil ekstraksi distandardisasi menggunakan StandardScaler. Penentuan parameter Best-K dilakukan menggunakan data validation dari kandidat nilai K = 1, 3, 5, 7, 9, dan 11, kemudian model akhir dievaluasi menggunakan data testing. Pengujian dilakukan pada tiga skenario pembagian dataset, yaitu 70:30, 80:20, dan 90:10, dengan lima kali percobaan (multi-run testing) pada setiap skenario menggunakan metrik accuracy, precision, recall, dan F1-score sebagai parameter evaluasi. Hasil penelitian menunjukkan bahwa model Hybrid ResNet-50 dan K-Nearest Neighbor berhasil diimplementasikan dengan baik serta menghasilkan rata-rata accuracy sebesar 87,12% pada skenario 70:30, 88,65% pada skenario 80:20, dan 89,15% pada skenario 90:10. Hasil tersebut menunjukkan bahwa peningkatan proporsi data latih memberikan pengaruh positif terhadap performa klasifikasi model. Dibandingkan dengan model baseline ResNet-50 end-to-end, metode yang diusulkan secara konsisten menghasilkan performa yang lebih baik pada seluruh skenario pengujian. Pada skenario 70:30 terjadi peningkatan accuracy sebesar 20,41 poin persentase, pada skenario 80:20 sebesar 23,06 poin persentase, dan pada skenario 90:10 sebesar 23,36 poin persentase. Dengan demikian, penelitian ini membuktikan bahwa kombinasi ResNet-50 sebagai feature extractor dan K Nearest Neighbor sebagai classifier merupakan pendekatan yang efektif untuk meningkatkan performa klasifikasi citra fundus retina dibandingkan pendekatan ResNet-50 end-to-end.

Actions (login required)

View Item