<![CDATA[Abstrak—Retinopati diabetik merupakan komplikasi diabetes melitus yang menjadi salah satu penyebab utama kebutaan di dunia, termasuk di Indonesia. Oleh sebab itu, deteksi dan klasifikasi tingkat keparahan secara dini berbasis citra fundus retina menjadi krusial untuk mendukung penanganan klinis yang tepat. Vision Transformer yang memiliki keunggulan dalam menangkap konteks global citra, dan EfficientNet yang unggul dalam mengekstraksi fitur lokal, memiliki peluang untuk dikombinasikan secara optimal dalam klasifikasi level retinopati diabetik. Menggunakan Dataset APTOS 2019 Blindness Detection dengan tahapan preprocessing berupa cropping, resize, CLAHE, dan normalisasi, serta augmentasi data untuk mengatasi ketidakseimbangan kelas, model MobileViT-XS yang dikombinasikandengan EfficientNet-B0 hingga EfficientNet-B4 diuji dan dievaluasi menggunakan metrik efektivitas serta metrik efisiensi komputasi. Hasil penelitian menunjukkan bahwa hybrid MobileViT-XS dan EfficientNet-B1 dengan resize 512×512 piksel memberikan kinerja paling optimal, dengan akurasi validasi sebesar 91,80% dan akurasi pengujian sebesar 93,24%, serta efisiensi komputasi yang seimbang dengan waktu pelatihan 101 menit 59.44 detik, FLOPs sekitar 6,80G, dan ukuran model 37,95 MB. Penelitian ini menyimpulkan bahwa pendekatan metode hybrid mampu menghasilkan model yang efektif dan efisien untuk mendukung sistem deteksi dini retinopati diabetik berbasis kecerdasan buatan. Kata Kunci—retinopati diabetik, vision transformer, EfficientNet, hybrid model, klasifikasi citra, deep learning]]>
Copyrights © 2026
