<![CDATA[AbstrakRetinopati diabetik (RD) adalah komplikasi diabetes mellitus yang menyerang pembuluh darah retina dan berpotensi menyebabkan kebutaan jika tidak terdeteksi dini. Citra fundus retina berperan penting dalam mendeteksi serta mengklasifikasikan tingkat keparahan RD karena mampu menampilkan kelainan secara jelas. Tantangan utama dalam klasifikasi RD adalah ketidakseimbangan data antar kelas. Penelitian ini mengusulkan penggunaan EfficientNet-B0 dengan augmentasi gambar terarah pada dataset APTOS 2019. Hasil evaluasi menunjukkan peningkatan akurasi dari 73,84% menjadi 82,56% serta F1-score 0,8241. Peningkatan signifikan terlihat pada kelas minoritas, misalnya Mild dari 0,1429 menjadi 0,65 dan Severe dari 0,087 menjadi 0,4211. Temuan ini membuktikan bahwa augmentasi terarah efektif dalam mengurangi bias kelas mayoritas dan meningkatkan keandalan model.Kata kunci: augmentasi, EfficientNet, ketidakseimbangan kelas, retinopati diabetikAbstractDiabetic retinopathy (DR) is a complication of diabetes mellitus that affects the retinal blood vessels and may lead to blindness if not detected early. Fundus images play a crucial role in detecting and classifying the severity of DR as they clearly reveal pathological abnormalities. The main challenge in DR classification lies in the imbalance across severity classes. This study proposes the use of EfficientNet-B0 combined with targeted image augmentation on the APTOS 2019 dataset. The evaluation results show an improvement in accuracy from 73.84% to 82.56% and a F1-score of 0.8241. Significant gains are observed in minority classes, such as Mild (from 0.1429 to 0.65) and Severe (from 0.087 to 0.4211). These findings demonstrate that targeted augmentation is effective in reducing majority-class bias and improving model reliability.Keywords: class imbalance, data augmentation, diabetic retinopathy, EfficientNet ]]>
Copyrights © 2025
