Implementasi Ensemble Weighted Voting Pada Arsitektur Densenet Mobilenet Xception Untuk Klasifikasi Penyakit Diabetic Retinopathy

Kesuma, Lucky Indra
Zayanti, Des Alwine
Desiani, Anita
Sari, Purwita
Saputra, Zulhipni Reno
Ihsan, Muhammad
Muzayyadah, Fathona Nur

Idealis : Indonesia Journal Information System
Vol. 9 No. 1 (2026): Jurnal IDEALIS Januari 2026

Convolutional Neural Network (CNN) merupakan salah satu pendekatan deep learning yang banyak digunakan pada tugas klasifikasi dan segmentasi citra, termasuk pada bidang kesehatan. Salah satu penerapan penting CNN adalah pada analisis citra Diabetic Retinopathy (DR), yaitu penyakit pada retina mata yang disebabkan oleh komplikasi diabetes jangka panjang dan dapat menyebabkan gangguan penglihatan hingga kebutaan apabila tidak terdeteksi secara dini. Namun, penggunaan arsitektur CNN tunggal sering mengalami keterbatasan, seperti overfitting, kebutuhan komputasi yang tinggi, atau kemampuan ekstraksi fitur yang belum optimal. Oleh karena itu, metode ensemble dapat digunakan untuk mengombinasikan keunggulan dari beberapa model guna meningkatkan kinerja klasifikasi. Pada penelitian ini diusulkan metode ensemble berbasis weighted voting dengan menggabungkan tiga arsitektur CNN, yaitu DenseNet, MobileNet, dan Xception, untuk klasifikasi biner Diabetic Retinopathy. DenseNet dipilih karena kemampuannya dalam mengekstraksi fitur yang kaya melalui konektivitas antar lapisan, MobileNet dipilih karena efisiensi komputasi dan ukuran model yang ringan, sedangkan Xception digunakan karena kemampuannya menyeimbangkan kedalaman jaringan dan efisiensi komputasi melalui depthwise separable convolution. Tahapan penelitian meliputi pengumpulan data, pelatihan model, pengujian, serta evaluasi kinerja. Dataset EyePACS digunakan sebagai data pelatihan, sedangkan dataset APTOS dimanfaatkan sebagai data pengujian untuk menguji kemampuan generalisasi model. Hasil eksperimen menunjukkan bahwa metode ensemble yang diusulkan menghasilkan kinerja yang baik dengan nilai akurasi sebesar 85,22%, sensitivitas 70,63%, spesifisitas 99,40%, F1-score 87,21%, serta nilai Cohen’s Kappa sebesar 0,7032. Hasil ini menunjukkan bahwa pendekatan ensemble mampu meningkatkan kinerja klasifikasi dan mengurangi permasalahan overfitting dibandingkan model CNN tunggal, serta berpotensi dikembangkan sebagai sistem pendukung keputusan untuk skrining otomatis Diabetic Retinopathy.