KLASIFIKASI TINGKAT KEPARAHAN DIABETIC RETINOPATHY MENGGUNAKAN DENSENET201 DENGAN AUGMENTASI DATA ADAPTIF

Abstract

Diabetic Retinopathy (DR) adalah komplikasi diabetes melitus yang menjadi penyebab utama kebutaan pada populasi usia produktif . Diagnosis DR saat ini dilakukan melalui pemeriksaan fundus retina manual oleh dokter spesialis mata, yang memiliki keterbatasan dalam efisiensi waktu, subjektivitas penilaian, dan tidak feasible untuk skrining massal pada populasi diabetes yang terus meningkat . Penelitian ini bertujuan membangun model klasifikasi otomatis untuk memprediksi lima tingkat keparahan DR (No_DR, Mild, Moderate, Severe, Proliferative_DR) dari citra fundus retina. Metode yang digunakan adalah Convolutional Neural Network berbasis arsitektur DenseNet201 dengan transfer learning dua tahap dan augmentasi data adaptif per kelas pada dataset APTOS 2019 (3.662 citra). Strategi augmentasi adaptif mengurangi ketidakseimbangan kelas dari rasio 9,35:1 menjadi 3,32:1. Model mencapai test accuracy 95,35% dengan F1-Score rata-rata 0,955, recall tinggi untuk kelas Severe (0,980) dan Proliferative_DR (0,928), serta peningkatan akurasi sebesar 15–27 poin persentase dibanding penelitian terdahulu . Augmentasi adaptif berhasil meningkatkan sensitivitas model terhadap kelas-kelas kritis tanpa mengorbankan performa kelas lainnya . Model ini berpotensi digunakan sebagai sistem bantu skrining DR otomatis di fasilitas kesehatan untuk deteksi dini dan prioritasi pasien yang memerlukan intervensi medis segera