Klasifikasi penyakit mata berdasarkan citra fundus retina merupakan tantangan besar dalam bidang analisis citra medis karena kemiripan karakteristik visual antar berbagai penyakit dapat memengaruhi akurasi diagnosis. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur ResNet-50 berbasis transfer learning dalam melakukan klasifikasi multi-kelas pada citra fundus yang dibagi menjadi tiga kategori, yaitu diabetic retinopathy, glaucoma, dan katarak. Dataset yang digunakan terdiri dari total 3.143 gambar setelah penyaringan pada kelas normal. Tahap preprocessing meliputi resize menggunakan metode interpolasi bicubic, normalisasi, dan augmentasi data. Penelitian ini menerapkan strategi fine-tuning parsial; selain itu, penelitian ini juga membandingkan optimasi antara penggunaan optimizer Adam dan Stochastic Gradient Descent (SGD) terhadap kinerja model. Hasil menunjukkan bahwa model mencapai kinerja terbaik dengan akurasi 95.13% menggunakan optimizer Adam, sementara model dengan optimizer SGD hanya mencapai akurasi 61.23%. Hasil ini menunjukkan bahwa pada learning rate yang sama, optimizer Adam memberikan konvergensi yang lebih cepat dan akurasi yang lebih tinggi dibandingkan dengan SGD dalam klasifikasi multi-class pada citra fundus.
Copyrights © 2026