PERBANDINGAN PERFORMA RESNET-18, EFFICIENTNET-B0, DAN ENSEMBLE LEARNING DENGAN VISUALISASI GRAD-CAM PADA DETEKSI KATARAK

Abstract

Katarak merupakan salah satu penyebab utama kebutaan di dunia yang memerlukan deteksi dini untuk mencegah penurunan penglihatan permanen. Namun, diagnosis manual oleh tenaga medis rentan terhadap bias subjektif dan membutuhkan waktu yang tidak singkat, sehingga diperlukan sistem deteksi otomatis berbasis kecerdasan buatan yang akurat sekaligus interpretatif. Penelitian ini bertujuan mengembangkan model klasifikasi katarak menggunakan pendekatan stacking ensemble yang menggabungkan ResNet-18 dan EfficientNet-B0 sebagai base learner dengan Logistic Regression sebagai meta-learner, untuk mengklasifikasikan citra slit-lamp mata ke dalam tiga kelas, yaitu normal, immature, dan mature. Untuk meningkatkan transparansi model, penelitian ini juga mengintegrasikan metode Gradient-weighted Class Activation Mapping (Grad-CAM) sebagai teknik Explainable Artificial Intelligence (XAI) guna memvisualisasikan area citra yang paling berkontribusi terhadap keputusan prediksi model. Dataset yang digunakan terdiri atas 2.421 citra yang diperoleh dari platform Roboflow dan Kaggle, dengan tahap prapemrosesan meliputi resize, augmentasi, normalisasi, dan pembagian data. Hasil eksperimen menunjukkan bahwa model ensemble stacking mencapai akurasi tertinggi sebesar 98,37%, melampaui performa model tunggal ResNet-18 (92,15%) dan EfficientNet-B0 (94,01%). Visualisasi Grad-CAM mengonfirmasi bahwa model secara konsisten memusatkan perhatian pada area sentral lensa yang mengalami kekeruhan, sesuai dengan karakteristik klinis katarak. Penelitian ini membuktikan bahwa pendekatan stacking ensemble yang dikombinasikan dengan XAI mampu menghasilkan sistem klasifikasi katarak yang akurat dan transparan, sehingga berkontribusi pada pengembangan sistem deteksi katarak berbasis kecerdasan buatan.