MODEL CNN BERBASIS EFFICIENTNET-LITE UNTUK DETEKSI RETINOPATI DIABETIK MENGGUNAKAN TENSORFLOW LITE

Abstract

Retinopati diabetik (RD) adalah komplikasi diabetes yang berpotensi menyebabkan kebutaan. Deteksi dini sangat penting, namun interpretasi citra fundus seringkali hanya dapat dilakukan oleh tenaga medis. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model Lightweight Convolutional Neural Network (CNN) berbasis EfficientNet-Lite0 untuk deteksi RD dari citra fundus, yang dapat diimplementasikan pada perangkat seluler. Dataset yang digunakan terdiri dari 9.850 citra fundus gabungan dari Eyepacs, APTOS, dan Messidor yang telah melalui tahap preprocessing seperti validasi, normalisasi, dan resizing menjadi 384x384 piksel. Data dibagi menjadi 80% untuk pelatihan, 10% validasi, dan 10% pengujian. Model EfficientNet-Lite0 digunakan sebagai feature extractor yang tidak dilatih ulang, diikuti oleh dense layers dan output layer sigmoid untuk klasifikasi biner (Normal/DR). Hasil evaluasi menunjukkan model mencapai akurasi 79,4%, presisi 83,5%, recall 73,3%, dan F1-skor 78,0%.