Implementasi Model EfficientNetB0 Berbasis Deep learning untuk Klasifikasi Penyakit Mata pada Citra Fundus

Abstract

Abstrak— Gangguan penglihatan merupakan permasalahan kesehatan global yang terus meningkat dan sering kali disebabkan oleh penyakit mata seperti katarak, glaukoma, dan retinopati diabetik. Keterbatasan tenaga medis serta fasilitas diagnostik menyebabkan banyak kasus penyakit mata terdeteksi pada tahap lanjut. Oleh karena itu, pemanfaatan kecerdasan buatan berbasis citra fundus retina menjadi salah satu pendekatan yang potensial untuk mendukung deteksi dini penyakit mata secara otomatis. Penelitian ini mengimplementasikan model deep learning berbasis Convolutional Neural Network (CNN) menggunakan arsitektur EfficientNetB0 untuk melakukan klasifikasi penyakit mata pada citra fundus retina.

Dataset yang digunakan adalah Eye Disease Dataset dari Kaggle yang terdiri dari empat kelas, yaitu katarak, retinopati diabetik, glaukoma, dan normal. Penelitian ini mengevaluasi pengaruh rasio pembagian dataset terhadap performa model dengan tiga skenario pembagian data pelatihan dan validasi, yaitu 95%:5%, 90%:10%, dan 85%:15%. Tahapan penelitian meliputi preprocessing citra, penerapan data augmentation, serta optimasi pipeline data menggunakan caching, prefetching, dan shuffle. Evaluasi model dilakukan menggunakan metrik accuracy, F1-Score, precision, recall, dan waktu komputasi. Hasil eksperimen menunjukkan bahwa rasio pembagian dataset 95%:5% memberikan performa terbaik dengan akurasi 96,19% dan waktu pelatihan 8 menit 27 detik. Hasil penelitian menunjukkan bahwa arsitektur EfficientNetB0 mampu mengekstraksi fitur citra fundus secara efektif dan efisien serta memberikan performa klasifikasi yang baik terutama pada pembagian data dengan jumlah data training lebih besar.

Kata Kunci— klasifikasi penyakit mata, citra fundus retina, deep learning, EfficientNetB0, convolutional neural network.