<![CDATA[Chronic Kidney Disease (CKD) merupakan komplikasi serius pada pasien Diabetes Melitus (DM) yang di Indonesia menyumbang 27,2% kasus gagal ginjal terminal. Deteksi dini CKD konvensional bersifat invasif dan sulit diakses di layanan kesehatan primer, sementara citra fundus retina berpotensi menjadi biomarker non-invasif karena retina dan ginjal berbagi struktur mikrovaskular yang serupa. Penelitian ini mengevaluasi klasifikasi citra fundus retina menggunakan ResNet-50 dan EfficientNet-B0 pada dataset terbatas (273 citra dari Rumah Sakit Panti Nirmala Malang) yang terbagi tiga kelas: DM, DM+CKD Stadium III, dan DM+CKD Stadium V. Lima rumusan masalah diuji melalui ablation study bertahap menggunakan Stratified 5-Fold Cross Validation, mencakup pengaruh pra-pemrosesan citra, weighted loss, transfer learning, strategi mitigasi overfitting (layer freezing, Dropout, Early Stopping, ReduceLROnPlateau), serta perbandingan arsitektur dengan Test-Time Augmentation (TTA). Hasil menunjukkan transfer learning ImageNet memberikan kontribusi terbesar (+9,52 poin persen dibanding random init), backbone frozen terbukti mencegah catastrophic forgetting, sementara preprocessing dan weighted loss tidak memberikan perbedaan signifikan. ResNet-50 dengan TTA (n=10) mencapai akurasi rata-rata tertinggi 79,87%, unggul dibandingkan EfficientNet-B0 (71,42%). Model tetap mengenali sempurna kelas CKD stadium paling parah pada seluruh kondisi pengujian.]]>
Copyrights © 2026
