<![CDATA[ABSTRAK Kebutaan akibat diabetes melitus sering kali dipicu oleh komplikasi Diabetic Retinopathy (DR). Pemeriksaan mata secara konvensional kerap terkendala oleh keterbatasan jumlah tenaga spesialis dan waktu proses yang panjang. Oleh karena itu, penelitian ini dilakukan untuk mengoptimalkan kinerja Convolutional Neural Network (CNN) berarsitektur DenseNet-121 dalam mengklasifikasikan lima level keparahan DR. Metodologi penelitian mengacu pada kerangka kerja CRISP-DM, memanfaatkan 2.930 citra fundus retina dari dataset APTOS 2019. Pembagian data diproses menggunakan teknik stratified split dengan rasio 80% pelatihan, 10% validasi, dan 10% pengujian. Tahap optimasi mencakup modifikasi arsitektur akhir melalui implementasi Sequential Deep Classifier dan penambahan Dropout 30% guna mencegah overfitting. Selain itu, tantangan ketidakseimbangan data (class imbalance) ditangani secara efektif dengan mengaplikasikan metode Focal Loss serta Class Weights. Evaluasi sistem melibatkan delapan skenario pengujian dengan ragam variasi batch size (16, 32) dan epoch (50, 100) untuk membandingkan versi baseline dengan model optimasi, sekaligus memanfaatkan teknik Grad-CAM sebagai visualisasi area keputusan. Hasil eksperimen mencatatkan bahwa model yang dioptimasi mengalami peningkatan generalisasi yang signifikan, di mana tingkat akurasi tertinggi mencapai 87% pada parameter batch size 32 dan 100 epoch. Penerapan Focal Loss juga terbukti ampuh mendongkrak metrik recall pada kategori kelas minoritas. Model terbaik kemudian diintegrasikan ke dalam aplikasi web interaktif berbasis Shiny. Kesimpulannya, pengembangan model klasifikasi ini berpotensi besar menjadi alat bantu diagnostik yang efektif dalam menunjang efisiensi skrining klinis.]]>
Copyrights © 2026
