Optimasi Klasifikasi Retinopati Diabetik Berbasis Transfer Learning dengan Citra Digital
DOI:
https://doi.org/10.66785/fimerkom.v3i1.179Keywords:
Retinopati Diabetik, Deep Learning, Convolutional Neural Networks, Transfer Learning, Citra MedisAbstract
Diabetic Retinopathy (DR) atau Retinopati Diabetik merupakan komplikasi serius dari diabetes melitus yang menyebabkan kerusakan retina dan berisiko pada kehilangan penglihatan permanen jika tidak dideteksi secara dini. Proses diagnosa manual saat ini memakan waktu, biaya yang besar, serta rentan terhadap kesalahan manusia (human error). Seiring pesatnya perkembangan kecerdasan buatan, Deep Learning menjadi metode unggulan dalam analisis citra medis, khususnya melalui arsitektur Convolutional Neural Networks (CNN). Penelitian ini menerapkan teknik Transfer Learning, yaitu sebuah metode pembelajaran mesin di mana model yang telah dilatih sebelumnya (pre-trained model) pada dataset skala besar digunakan kembali sebagai titik awal untuk tugas klasifikasi baru. Teknik ini memungkinkan model mencapai konvergensi yang lebih cepat dan akurasi yang lebih tinggi meskipun dengan keterbatasan data medis. Dengan menggunakan dataset sebanyak 5.590 citra yang mencakup lima tahapan Diabetic Retinopathy (healthy, mild, moderate, severe, dan proliferative), penelitian ini mengusulkan model MobileNetV2. Melalui pengujian validasi silang, model ini berhasil mencapai akurasi rata-rata 93,20%, presisi 91,61%, recall 90,07%, dan f1-score 85,02%. Selain itu, penyediaan citra termal dalam penelitian ini diharapkan dapat membantu tenaga medis dalam mengevaluasi dampak kerusakan retina secara lebih komprehensif pada setiap tahapan penyakit.
References
M. K. Jabbar, J. Yan, H. Xu, Z. U. Rehman, and A. Jabbar, “Transfer Learning-Based Model for Diabetic Retinopathy Diagnosis Using Retinal Images,” Brain Sci., vol. 12, no. 5, 2022, doi: 10.3390/brainsci12050535.
A. M. Mutawa, K. Sabti, B. S. Sundaram Thankaleela, and S. Raizada, “Bio-Inspired Optimization of Transfer Learning Models for Diabetic Macular Edema Classification,” AI, vol. 6, no. 10, pp. 1–30, 2025, doi: 10.3390/ai6100269.
Firman Ardiansyah, Yunita Sari, and Fahrul Nurzaman, “Rancang Bangun Sistem Deteksi Penyakit Diabetes Retinopatic Dengan Transfer Learning Inception V3,” IKRA-ITH Inform. J. Komput. dan Inform., vol. 9, no. 3, pp. 78–82, 2025, doi: 10.37817/ikraith-informatika.v9i3.5680.
I. M. J. R. L. M. M. Z. M. Y. P. Herdiana Nurul Utami, “Lombok Medical Journal,” Crohn Dis. Pathophysiol. Diagnosis Manag., vol. 2, no. 2, pp. 1–4, 2023.
Febriansyah, M. Nur Rahmah, M. Jabal Nur, P. Nasir Hamzah, and S. Irmandha Kusumawardhani, “Narrative Review: Pathogenesis and Management Of Diabetic Retinopathy,” Eff. Muhasabah Acad. Achiev. Prof. Med. Progr. Students Narrat. Rev., vol. 15, no. 04, p. 897, 2024, doi: 10.54209/eduhealth.v15i04.
A. K. Kavuru, R. K. Patjoshi, and R. Panigrahi, “An Enhanced Diabetic Retinopathy Classification Using ResNet-DenseNet Hybrid Model,” Int. J. Eng. Trends Technol., vol. 73, no. 8, pp. 262–272, 2025, doi: 10.14445/22315381/IJETT-V73I8P123.
A. Jabbar et al., “Deep Transfer Learning-Based Automated Diabetic Retinopathy Detection Using Retinal Fundus Images in Remote Areas,” Int. J. Comput. Intell. Syst., vol. 17, no. 1, 2024, doi: 10.1007/s44196-024-00520-w.
Nurohman, Rudi Heriansyah, Dwi Asa Verano, and Zaid Romegar Mair, “Deteksi Penyakit Diabetes Retinopathy Menggunakan Citra Digital Dengan Metode Convolutional Neural Network (Cnn),” Pros. Snast, no. November, pp. 311–320, 2024, doi: 10.34151/prosidingsnast.v1i1.5120.
A. Mustopa et al., “DIABETIK ON-DEVICE MENGGUNAKAN MODEL MOBILENETV2 PADA,” vol. 14, no. 1, pp. 618–626.
M. Y. Khairi, E. A. M. Sampetoding, and Y. S. Pongtambing, “Studi Literatur Penerapan Deep Learning dalam Analisis Citra Medis di Indonesia,” Heal. J. PUBLIC Heal. Perspect. Vol., vol. 01, no. 01, pp. 15–24, 2024.
M. B. Khan, M. Ahmad, S. B. Yaakob, R. Shahrior, M. A. Rashid, and H. Higa, “Automated Diagnosis of Diabetic Retinopathy Using Deep Learning: On the Search of Segmented Retinal Blood Vessel Images for Better Performance,” Bioengineering, vol. 10, no. 4, 2023, doi: 10.3390/bioengineering10040413.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 2818–2826, 2016, doi: 10.1109/CVPR.2016.308.
R. Faurina, E. P. Purwandari, M. T. Pratama, and I. Agustian, “Klasifikasi Level Non-Proliferatif Retinopati Diabetik Dengan Ensemble Convolutional Neural Network,” Pseudocode, vol. 8, no. 1, pp. 1–10, 2021, doi: 10.33369/pseudocode.8.1.1-10.
E. N. Arrofiqoh and Harintaka, “IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN PADA CITRA RESOLUSI TINGGI ( The Implementation of Convolutional Neural Network Method for Agricultural Plant Classification in High Resolution Imagery ),” Geomatika, vol. 24, no. 2, pp. 61–68, 2018.
S. D. Pamuja, “Perbandingan Model CNN Transfer Learning untuk Deteksi Tumor Otak Berbasis Citra MRI,” vol. 01, no. 2, pp. 47–53, 2025.
Hendra Irawan Wijaya Kusuma and Bagus Satrio Waluyo Poetro, “Deteksi Diabetic Retinopathy Menggunakan Convolutional Neural Network Berbasis Efficientnet Dan Grad-Cam Pada Citra Fundus Retina,” J. Rekayasa Sist. Inf. dan Teknol., vol. 3, no. 1, pp. 126–138, 2025, doi: 10.70248/jrsit.v3i1.2896.
K. Anwar, R. Maruf, F. Susanto, and M. B. Ryando, “Analisis Performa Deteksi Penyakit Paru-Paru dengan Model Klasifikasi Gambar Menggunakan LSTM Deep Learning,” J. Ilm. Univ. Batanghari Jambi, vol. 25, no. 1, p. 972, 2025, doi: 10.33087/jiubj.v25i1.5697.
H. Fakhri, T. Badriyah, I. Syarif, and R. Sigit, “Klasifikasi Tumor Otak Menggunakan Convolutional Neural Network,” pp. 65–79, 2024.
M. A. Sayedelahl, A. G. Gad, R. M. Essa, Z. G. Hussein, and A. A. Abohany, “A Unified Deep Learning Framework for Robust Multi-Class Tumor Classification in Skin and Brain MRI,” Technologies, vol. 13, no. 9, pp. 1–27, 2025, doi: 10.3390/technologies13090401.
F. Uysal and M. Erkan, “Multiclass Classification of Brain Tumors with Various Deep Learning Models †,” Eng. Proc., vol. 27, no. 1, 2022, doi: 10.3390/ecsa-9-13367.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Fachri Ayudi Fitrony, Senjaya Machfudi Zulkif, Muhamad Arief Muhaimin
This work is licensed under a Creative Commons Attribution 4.0 International License.
