Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sampai saat ini, sketsa wajah buatan tangan masih secara luas digunakan dalam kepolisian, terutama untuk menggambarkan karakter wajah seseorang dengan cepat pada proses pencarian tersangka maupun orang hilang. Polisi akan menggunakan sketsa wajah tersebut untuk mencari orang yang digambarkan. Telah banyak penelitian yang dilakukan untuk membuat cara ini semakin efektif. Salah satunya adalah membandingkannya dengan Database Pencarian Orang (DPO) ataupun membuat komposit wajah. Namun, pembuatan komposit wajah dengan aplikasi membutuhkan waktu yang cukup lama dan perbandingan dengan DPO secara langsung memiliki tingkat akurasi yang perlu dikembangkan lebih lanjut. Penelitian ini mengaplikasikan Generative Adversarial Networks (GAN) untuk mengubah gambar sketsa menjadi citra berwarna, menerapkan Total Variation (TV) pada loss function untuk meningkatkan performa model, dan menerapkan koreksi warna untuk memperbaiki warna kulit yang dihasilkan. Tujuan penelitian ini yaitu agar dapat menggambarkan karakter orang pada sketsa dengan lebih akurat dan cepat dibandingkan metode terdahulu. GAN sendiri adalah sebuah machine learning framework yang menggunakan dua buah network yaitu, generator dan diskriminator. Generator akan membuat sampel baru berdasarkan pola sampel dataset dan diskriminator akan menentukan apakah sampel yang dihasilkan nyata atau hasil dari generator. Sistem akan mengulang proses ini sampai generator dapat menghasilkan sampel yang sangat mirip dengan sampel dari dataset. Dataset yang digunakan dikumpulkan dari beberapa dataset lain dengan konfigurasi jumlah training 1355, validation 10, dan testing 68. Beberapa skenario dengan parameter berbeda dilakukan dan hasil terbaik didapati dengan menggunakan Lambda L1 sebesar 100 dan Lambda TV sebesar 0.00001 dengan nilai evaluasi SSIM 0.83 dan FID 94.705. Setelah diimplementasikan dengan koreksi warna, GAN menghasilkan citra yang lebih realistis dengan hasil evaluasi yang didapatkan adalah 0.76 dan 78.944 untuk SSIM dan FID. Dengan metode tersebut, GAN dapat menghasilkan citra yang realistis secara visual dari sketsa wajah dan memiliki warna yang sesuai dengan citra aslinya.

---

Until now, hand-drawn face sketches are still widely used in Indonesia's police force, especially to quickly describe the character of a person's face in the process of searching for suspects and missing persons. Police will use the face sketch to search for the respected person. A lot of research has been done to make this method more effective. One of them is to compare it with the People Search Database (DPO) or create a facial composite. However, making facial composites by application takes quite a long time, and direct comparison with DPO has a level of accuracy that needs to be developed further. This study applies a Generative Adversarial Networks (GAN) to convert a sketch image into a color image, applies a Total Variation (TV) to the loss function to improve model performance, and applies a color correction to improve the resulting skin tone. The purpose of this study is to be able to describe the character of the people on the sketch more accurately and quickly than the previous method. GAN itself is a machine learning framework that uses two networks, namely, generator and discriminator. The generator will create a new sample based on the sample dataset pattern, and the discriminator will determine whether the resulting sample is real or the result of the generator. The system repeats this process until the generator can generate a sample that is very similar to the sample from the dataset. The dataset used is gained from several other datasets with the split configuration of 1355 for training, 10 for validation, and 68 for testing. Several scenarios with different parameters were carried out, and the best results were obtained using Lambda L1 of 100 and Lambda TV of 0.00001 with an evaluation value of SSIM 0.83 and FID 94,705. After being implemented with color correction, GAN produces a more realistic image with the evaluation results obtained are 0.76 and 78.944 for SSIM and FID. GAN can produce visually realistic images from facial sketches and have colors that match the original image with this method."

"Pembuatan dataset emosi wajah membutuhkan sumber daya dan waktu yang banyak. Salah satu solusi menyelesaikan permasalahan ini adalah menggunakan Generative Adversarial Network (GAN) untuk melakukan augmentasi data pada data emosi wajah. Namun, jumlah data yang terbatas membuat GAN belum dapat menghasilkan citra yang beragam. Salah satu pendekatan yang dapat dilakukan untuk mengatasi hal tersebut adalah penggunaan energy function untuk membuat probability function yang lebih detail. Penelitian ini bertujuan untuk merancang sebuah model dengan menggunakan EB-GAN dan attention untuk mengatasi masalah translasi gambar dengan emosi Neutral menjadi gambar dengan emosi dasar. Eksperimen yang dilakukan pada penelitian ini bertujuan untuk melakukan modifikasi terhadap arsitektur DINO dengan menambahkan attention untuk meningkatkan kualitas hasil translasi model. Hasil translasi model dievaluasi menggunakan emotion recognition untuk mengetahui akurasi emosi yang dihasilkan. Pada penelitian ini terlihat bahwa penggunaan attention tidak dapat meningkatkan akurasi DINO dikarenakan terdapat banyaknya fitur pembeda antar emosi yang tersebar pada wajah. Pada penelitian ini DINO pada dataset berwarna menghasilkan akurasi sebesar 96.78% dan DINO pada dataset grayscale menghasilkan akurasi sebesar 94.50%. Dalam pembuatan dataset baru, DINO menghasilkan akurasi sebesar 83% untuk dataset berwarna dan 85.6% untuk dataset grayscale.

---

Creating a facial emotion dataset requires a lot of resources. To solve this problem, previous research utilizes Generative Adversarial Networks (GANs) to create artificial data. However due to the limited number of available data, this would affect the GANs itself and would result in generating a less diverse data. One way to solve this problem is to use an energy function to create a more detailed probability function. This research aimed to create a model based on EB-GAN and attention to solve problems during translating a neutral image into an image with a basic emotion. This experiment uses a variation of EB-GAN for image translation, DINO, and modify its architecture by adding attention modules to improve the performance of the model during translation. The result of the experiments are evaluated using emotion recognition systems. This results show that the use of attention did not improve the performance of DINO. This is due the fact that each emotion have multiple features and the location of the features are scattered within a face. This experiment shows that DINO obtained the highest accuracy in both colored (RGB) and grayscale data. DINO obtains a 96.78% accuracy for colored (RGB) data and 94.50% for grayscale data. During the creation of new dataset, DINO obtained an accuracy of 83% for colored (RGB) data and 85.6% for grayscale data."

"Retinal detachment (RD), atau ablasi retina, adalah kondisi ketika retina neurosensori terlepas dari lapisan dasarnya, yaitu epitel pigmen retina (EPR), karena kehilangan kerekatan. RD bisa menjadi kondisi yang serius jika tidak segera ditangani, seperti gangguan penglihatan hingga kebutaan permanen. Di Indonesia, diperkirakan terdapat 17.500—25.000 kasus baru setiap tahunnya. Namun, dengan jumlah dokter yang terbatas, pendeteksian RD secara konvensional mungkin tidak dapat dilakukan dengan cepat. Dengan memanfaatkan metode machine learning, khususnya deep learning, yang kini berkembangan pesat, dapat dilakukan pendeteksian RD melalui citra fundus mata menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNeSt. Terdapat masalah keterbatasan jumlah data pada kelas RD sehubungan dengan perlindungan privasi pasien yang membatasi akses terhadap data medis. Untuk meningkatkan jumlah data, dilakukan augmentasi data dengan GAN untuk menghasilkan data baru berupa citra sintetis untuk kelas RD. Dilakukan pula percobaan dengan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) sebagai tahap preprocessing sebelum augmentasi dengan GAN dengan tujuan meningkatkan kualitas citra yang masuk sebagai input dari GAN. Lebih lanjut, penelitian ini menguji tiga skenario dengan dua rasio splitting data, yaitu 6:2:2 dan 6:1:3. Skenario 1 menjalankan model ResNeSt tanpa preprocessing CLAHE dan augmentasi GAN pada data input. Skenario 2 menjalankan model ResNeSt dengan augmentasi GAN pada data input. Sementara itu, skenario 3 menjalankan model ResNeSt dengan menerapkan preprocessing CLAHE dan augmentasi GAN pada data input. Untuk splitting data dengan rasio 6:2:2, skenario 1 menghasilkan nilai rata-rata accuracy 89,9%, sensitivity 76,3%, specificity 94,3%, dan loss 52,4%, skenario 2 menghasilkan nilai rata-rata accuracy 92,3%, sensitivity 88,2%, specificity 94,8%, dan loss 18,6%, sedangkan skenario 3 menghasilkan nilai rata-rata accuracy 95,9%, sensitivity 94,4%, specificity 96,8%, dan loss 9,8%. Sementara itu, untuk splitting data dengan rasio 6:1:3, skenario 1 menghasilkan nilai rata-rata accuracy 91,3%, sensitivity 78,6%, specificity 94,9%, dan loss 27,9%, skenario 2 menghasilkan nilai rata-rata accuracy 94%, sensitivity 90,2%, specificity 96,3%, dan loss 17,9%, sedangkan skenario 3 menghasilkan nilai rata-rata accuracy 97,9%, sensitivity 97%, specificity 98,4%, dan loss 5,4%. Didapatkan bahwa performa model terbaik adalah ketika menggunakan skenario 3 dengan rasio splitting data 6:1:3.

---

Retinal detachment (RD), also known as retinal ablation, is a condition where the neurosensory retina separates from its underlying layer, the retinal pigment epithelium (RPE), due to the loss of adhesion. RD can become a serious condition if not promptly treated, potentially leading to vision impairment, even permanent blindness. In Indonesia, an estimated 17,500–25,000 new cases of RD occur annually. However, with a limited number of doctors, conventional detection methods for RD may not be performed swiftly enough. Leveraging machine learning, particularly deep learning, which has rapidly advanced, RD detection can be facilitated through fundus imaging using Convolutional Neural Network (CNN) with ResNeSt architecture. A significant challenge arises due to the limited amount of data available for the RD class, as patient privacy regulations restrict access to medical data. To address this, data augmentation is applied using Generative Adversarial Networks (GAN) to generate synthetic images for the RD class. Additionally, experiments were conducted by applying Contrast Limited Adaptive Histogram Equalization (CLAHE) as a preprocessing step before GAN augmentation, aiming to enhance the quality of the images inputted into the GAN. This study further evaluates three scenarios with two data splitting ratios, 6:2:2 and 6:1:3. Scenario 1 involved training the ResNeSt model without CLAHE preprocessing or GAN augmentation. Scenario 2 involved training the ResNeSt model with GAN augmentation. Scenario 3 involved training the ResNeSt model with both CLAHE preprocessing and GAN augmentation. For the 6:2:2 data splitting ratio, Scenario 1 achieved an average accuracy of 89.9%, sensitivity of 76.3%, specificity of 94.3%, and loss of 52.4%. Scenario 2 achieved an average accuracy of 92.3%, sensitivity of 88.2%, specificity of 94.8%, and loss of 18.6%. Meanwhile, Scenario 3 achieved an average accuracy of 95.9%, sensitivity of 94.4%, specificity of 96.8%, and loss of 9.8%. For the 6:1:3 data splitting ratio, Scenario 1 achieved an average accuracy of 91.3%, sensitivity of 78.6%, specificity of 94.9%, and loss of 27.9%. Scenario 2 achieved an average accuracy of 94%, sensitivity of 90.2%, specificity of 96.3%, and loss of 17.9%. Meanwhile, Scenario 3 achieved an average accuracy of 97.9%, sensitivity of 97%, specificity of 98.4%, and loss of 5.4%. The best model performance was observed in Scenario 3 with a 6:1:3 data splitting ratio."

"Penilaian citra embrio manusia memiliki peran yang penting dalam proses Fertilisasi In Vitro (FIV) atau yang dikenal juga sebagai proses bayi tabung. Penilaian citra embrio ini dilakukan secara manual oleh ahli embriologi. Hal ini tentunya membutuhkan waktu yang lama dan konsentrasi yang tinggi dari ahli embriologi sehingga perlu ada sistem yang dapat membantu ahli embriologi dalam melakukan penilaian dengan lebih efisien. Salah satu waktu penilaian embrio yang paling penting yaitu ketika embrio berusia lima hari, dimana ini merupakan tahap penilaian akhir sebelum proses implantasi ke rahim. Penilaian embrio pada hari kelima didasarkan pada tiga aspek yaitu derajat ekspansi, Inner Cell Mass, dan Trophoectoderm, yang menjadi tantangan tersendiri dalam penelitian di bidang ini. Permasalahan lain yang muncul yaitu ketersediaan data yang terbatas dan ketidakseimbangan proporsi kelas atau target pada dataset. Penelitian ini mengusulkan penggunaan augmentasi data berbasis Generative Adversarial Network seperti VanillaGAN, InfoGAN, DCGAN, dan Adversarial Autoencoder sehagai solusi permasalahan ketidakseimbangan data. Penelitian ini juga mengembangkan model klasifikasi berbasis Convolutional Neural Network sebagai klasifikator untuk menilai citra embrio. Penelititan ini menggunakan 10-fold cross validation untuk mengukur kinerja model. Untuk kategori derajat ekspansi, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Untuk kategori Inner Cell Mass, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan VanillaGAN sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Serta untuk kategori Trophoectoderm, model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder memperoleh hasil terbaik dengan nilai f1-score sebesar 0.89.

---

Assessment of human embryo images has an important role in the process of In Vitro Fertilization (IVF). Evaluation of this embryo image is done manually by the embryologist. This requires a long time and high concentration of embryologists, so it is necessary to create a system that can assist embryologists in making assessments more efficiently. One of the most important parts of human embryo assessment is the embryo on the fifth day after fertilization. Evaluation of embryos on the fifth day is based on three aspects, namely the degree of expansion, Inner Cell Mass, and Trophoectoderm, which is a particular challenge in research in this field. Another problem for this case is the limited availability of data and an imbalanced dataset. This study proposes the use of Generative Adversarial Network-based for data augmentation such as VanillaGAN, InfoGAN, DCGAN, and Adversarial Autoencoder as a solution to imbalanced data problems. This study also developed a classification model based on the Convolutional Neural Network as a classifier for assessing embryo images. This research uses 10-fold cross validation to measure model performance. This study obtained the best results for the degree of expansion category with the Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.92. This study obtained the best results for the Inner Cell Mass category with the Convolutional Neural Network model combined with VanillaGAN as a data augmentation with an f1-score of 0.92. The best result for Trophoectoderm category is Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.89."

"PAL Indonesia as Internationally class domestic industry which is moving on naval architect is always improving its productivity. The background of this research is unreachable production capacity from the target....."

"Citra bawah air tergolong ke dalam citra yang sulit diproses secara digital. Hal ini dise- babkan citra bawah air mengalami degradasi gabungan berupa scattering dan absorption. Sedangkan permasalahan estimasi kedalaman relatif adalah salah satu permasalahan yang masih menjadi riset dalam bidang computer vision saat ini. Permasalahan ini digolongkan sebagai permasalahan image-to-image translation. Salah satu model yang sering digunakan untuk menyelesaikan permasalahan image-to-image translation adalah dengan menggunakan conditional generative adversarial network (cGAN) yang merupakan salah satu varian dari generative adversarial network (GAN). Komponen penting dari cGAN terdiri dari generator dan discriminator yang berpengaruh terhadap keefektifan model. Pada penelitian ini akan diuji kombinasi generator yang terdiri dari U-net, Resnet-6, dan Resnet-9 dan discriminator yang terdiri dari PatchGAN serta ImageGAN dalam menyelesaikan permasalahan estimasi kedalaman relatif dari citra bawah air. Keoptimalan model diuji dengan menggunakan metrik structural index similarity (SSIM) dan root mean square error (RMSE). Didapatkan hasil bahwa model dengan generator U-net dan discriminator PatchGAN memberikan hasil terbaik pada metrik SSIM dan RMSE.

---

Underwater images are classified as images that are difficult to be processed digitally. This happens due to the combined degradation of the underwater image in the form of scattering and absorption. Meanwhile, relative depth estimation is one of the problems that is still being actively researched in computer vision. This problem is classified as image-to-image translation problem. One of the model that is often used to solve image-to-image translation is the conditional generative adversarial network (cGAN) which is a variant of generative adversarial network (GAN). The important component of cGAN consists of generator and discriminator which affects the model’s effectiveness. In this research, a combination of generator consisting of U-net, Resnet-6, and Resnet-9 and discriminator consisting of PatchGAN and ImageGAN will be tested in solving relative depth estimation problem for underwater image. Optimization of the model is tested using the metrics structural similarity index (SSIM) and root mean square error (RMSE). The results show that models with generator U-net and discriminator PatchGAN give the best result on SSIM and RMSE metrics."

"Tekanan darah tinggi pada retina Hypertensive Retinopathy merupakan penyakit yang timbul akibat tingginya tekanan darah yang mengalir pada pembuluh darah retina, mengakibatkan penebalan dinding pembuluh darah, sehingga debit aliran darah pada retina berkurang. Komplikasi yang timbul dari penyakit ini beragam dan membahayakan, mulai dari oklusi pembuluh darah retina, kerusakan saraf mata, bahkan kebutaan. Skripsi ini membahas tentang pendeteksian tekanan darah tinggi pada retina, sehingga dapat digunakan sebagai media untuk membantu diagnosis dan pencegahan penyakit tekanan darah tinggi pada retina Hypertensive Retinopathy . Pendeteksian dilakukan dengan menganalisa gambar retina Fundus Image pasien dengan metode Principal Component Analysis PCA dan Backpropagation Neural Network BNN , sehingga outputnya berupa klasifikasi citra ke salah satu dari dua golongan; yaitu retina normal dan retina dengan tekanan darah tinggi. Dari hasil perancangan diperoleh tingkat akurasi pengujian dan pengujian neural network hingga 85,5 dan 63,6 .

---

Hypertensive Retinopathy is a disease caused by high blood pressure flowing in the retinal blood vessels, resulting in thickening of blood vessel walls and reduced blood flow in the retina. Complications arising from these diseases are diverse and dangerous, ranging from retinal vein occlusion, nerve eye damage, even blindness. This paper discusses the detection of high blood pressure in the retina, so it can be used as a medium to help diagnosis and prevention of Hypertensive Retinopathy disease. Detection is done by analyzing the patient 39 s retinal image Fundus Image with Principal Component Analysis PCA method and Backpropagation Neural Network BNN , so that the output is image classification to one of two classes namely the normal retina and retina with high blood pressure. The result shows that this proposed model have leaning and testing accuracy up to 85,5 and 63,6 ."

"Dalam sistem industri modern, dengan majunya teknologi Internet of Things (IoT), pelaku industri dapat merekam data mesin dan sistem untuk kemudian dianalisa secara lebih komprehensif. Salah satu bentuk analisa yang dapat dilakukan adalah mendeteksi apakah ada anomali dari mesin atau sistem tsb. Aktivitas ini kemudian menjadi krusial bagi pelaku industri karena berdasarkan analisa ini, jika ditemukan anomali, maka secara dini dapat diambil tindakan yang diperlukan untuk melakukan pemeliharaan. Tetapi, sangat umum bagi pelaku industri tidak memiliki atau kekurangan data anomali, terutama pada sistem yang baru beroperasi. Dalam tesis ini, kami mengembangkan sebuah model untuk mendeteksi anomali pada data yang tidak berimbang dari sistem Secure Water Treatment (SWaT). Performa dari model ini kemudian dibandingkan dengan metode lain dari riset sebelumnya, mendemonstrasikan peningkatan dalam kapabilitas mendeteksi anomali.

---

In modern industrial systems, particularly with the advancement of the Internet of Things (IoT), industry players can record machine and system data for comprehensive analysis. One such analysis involves detecting anomalies in machines or systems. This activity becomes crucial because, if an anomaly is found in the data, corrective actions can be taken promptly. However, it is common for manufacturers to lack recorded anomaly datasets, especially for newly operational systems. In this paper, we develop a model to detect anomalies in an imbalanced dataset from the Secure Water Treatment (SWaT) system. The performance of the proposed model is compared with previous works, demonstrating significant improvements in anomaly detection capabilities."

"Age-related macular degeneration (AMD) adalah penyakit degeneratif pada makula yang menyebabkan gangguan penglihatan sentral pada orang lanjut usia. Secara global, orang yang didiagnosis mengalami AMD mencapai 170 juta orang. Pada 2018, AMD menjadi penyebab kebutaan terbesar ketiga di Indonesia, setelah katarak dan gangguan refraksi. Salah satu pendekatan teknologi dalam bidang kedokteran adalah menggunakan sains data dan deep learning untuk mendeteksi dan mendiagnosis penyakit mata. Salah satu metode deep learning yang paling efektif untuk memahami data berbasis citra adalah Convolutionl Neural Network (CNN). Di antara arsitektur CNN yang dikembangkan, arsitektur EfficientNet merupakan salah satu yang paling efektif untuk mencapai akurasi terbaik pada tugas klasifikasi gambar serta efisien secara komputasional. Data yang digunakan dalam penelitian ini adalah data citra fundus retina yang bersumber dari empat open source database. Terdapat dua kelas yang akan diklasifikasi yaitu Normal dan AMD. Dengan penggabungan beberapa dataset muncul beberapa masalah yaitu terdapat perbedaan dimensi dan kontras pada citra. Sebelum dataset digunakan untuk melatih model, dilakukan preprocessing dengan centered crop, resize, dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Masalah lain yang muncul adalah ukuran dataset yang kecil karena sulitnya mendapatkan data medis pasien. Salah satu metode yang dapat menjadi solusi adalah Generative Adversarial Network (GAN) yang digunakan untuk menghasilkan data citra sintetis. Penelitian ini diajukan untuk menerapkan metode GAN guna meningkatkan kinerja model EfficientNet dalam mendeteksi AMD. Untuk melakukan hal tersebut dibuat tiga skenario untuk membandingkan kinerja EfficientNet. Skenario A yaitu melakukan klasifikasi dengan dataset asli, tanpa preprocessing CLAHE dan tanpa augmentasi GAN. Skenario B melakukan klasifikasi dengan dataset yang sudah diaugmentasi dengan GAN. Sedangkan, skenario C melakukan klasifikasi dengan dataset yang diaugmentasi dengan GAN dan melalui preprocessing CLAHE. Metrik evaluasi yang digunakan untuk mengukukur kinerja adalah akurasi, sensitivity, dan specifity. Pada skenario A dengan rasio splitting data 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 89,01% dan 88,52%. Sedangkan, pada skenario B dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 87,10% dan 89,86%. Pada Skenario C dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 88,97% dan 91,27%. Skenario terbaik adalah skenario C dengan rasio 80:10:10 dengan nilai akurasi tertinggi 92,96%, sensitivity tertinggi mencapai 93,55%, dan specifity tertinggi mencapai 95,00%.

---

Age-related macular degeneration (AMD) is a degenerative disease of the macula that causes central vision impairment in the elderly. Globally, the number of people diagnosed with AMD reaches 170 million. In 2018, AMD became the third leading cause of blindness in Indonesia, following cataracts and refractive errors. One technological approach in the field of medicine is utilizing data science and deep learning to detect and diagnose eye diseases. One of the most effective deep learning methods for understanding image-based data is the Convolutional Neural Network (CNN). Among the developed CNN architectures, EfficientNet is one of the most effective in achieving the best accuracy in image classification tasks while being computationally efficient. The data used in this research consists of fundus retinal images sourced from four open source databases. There are two classes: Normal and AMD. Combining multiple datasets presents several issues, such as differences in image dimensions and contrast. Before the dataset is used to train the model, preprocessing is conducted using centered crop, resize, and Contrast Limited Adaptive Histogram Equalization (CLAHE). Another emerging issue is the small dataset size due to the difficulty of obtaining patient medical data. One method that can provide a solution is the Generative Adversarial Network (GAN), which is used to generate synthetic image data. This study proposes to implement GAN to enhance the performance of the EfficientNet model in detecting AMD. To achieve this, three scenarios were created to compare the performance of EfficientNet. Scenario A involves classification with the original dataset, without CLAHE preprocessing and without GAN augmentation. Scenario B involves classification with the dataset augmented by GAN. Scenario C involves classification with the dataset augmented by GAN and processed through CLAHE preprocessing. The evaluation metrics used to measure performance are accuracy, sensitivity, and specificity. In Scenario A, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 89.01% and 88.52%, respectively. In Scenario B, with the same data splitting ratios, the average accuracy obtained was 87.10% and 89.86%, respectively. In Scenario C, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 88.97% and 91.27%, respectively. The best scenario is Scenario C with a ratio of 80:10:10, achieving the highest accuracy of 92.96%, the highest sensitivity of 93.55%, and the highest specificity of 95.00%."