KLASIFIKASI RETINOPATI DIABETIK DARI CITRA FUNDUS MENGGUNAKAN CNN

Abstract

Retinopati diabetik merupakan salah satu komplikasi diabetes yang dapat menyebabkan penurunan kemampuan penglihatan hingga kebutaan apabila tidak dikenali pada tahap awal. Pemeriksaan citra fundus retina banyak digunakan untuk mengidentifikasi kondisi tersebut karena mampu menampilkan perubahan pada retina secara visual. Namun, proses skrining masih menghadapi kendala akibat tingginya jumlah pasien dibandingkan ketersediaan tenaga medis yang melakukan evaluasi citra secara manual. Penelitian ini mengusulkan model klasifikasi tingkat keparahan retinopati diabetik berbasis transfer learning dengan memanfaatkan arsitektur EfficientNet-B3. Dataset yang digunakan adalah Indian Diabetic Retinopathy Image Dataset (IDRiD) yang terdiri atas lima kategori tingkat keparahan penyakit. Sebelum proses pelatihan dilakukan, citra melalui tahap praproses berupa penyesuaian ukuran, peningkatan kontras menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE), serta augmentasi data untuk memperkaya variasi sampel pelatihan. Kinerja model dievaluasi menggunakan metrik AUC-ROC Macro, accuracy, Cohen’s Kappa, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model memperoleh nilai AUC-ROC Macro sebesar 0,8186 dengan accuracy sebesar 55,07% dan Cohen’s Kappa sebesar 0,6747. Evaluasi pada masing-masing kelas menunjukkan performa yang tidak merata, terutama pada kelas dengan jumlah data yang lebih sedikit. Untuk meningkatkan pemahaman terhadap proses pengambilan keputusan model, penelitian ini menerapkan Grad-CAM guna memvisualisasikan area retina yang berkontribusi terhadap hasil prediksi. Secara keseluruhan, hasil penelitian menunjukkan bahwa EfficientNet-B3 memiliki kemampuan yang cukup baik dalam mengidentifikasi tingkat keparahan retinopati diabetik serta berpotensi digunakan sebagai pendukung skrining otomatis.