Pendekatan Augmentasi Citra Fundus pada Model EfficientNet untuk Klasifikasi Tingkat Keparahan Retinopati Diabetik dengan Dataset  Tidak Seimbang

CHALIFA CHAZAR; MUHAMMAD ARKAN ADLI; JASMAN PARDEDE; MUHAMMAD ICHWAN

doi:10.26760/mindjournal.v10i2.180-194

Pendekatan Augmentasi Citra Fundus pada Model EfficientNet untuk Klasifikasi Tingkat Keparahan Retinopati Diabetik dengan Dataset Tidak Seimbang

CHALIFA CHAZAR, MUHAMMAD ARKAN ADLI, JASMAN PARDEDE, MUHAMMAD ICHWAN

Sari

Abstrak
Retinopati diabetik (RD) adalah komplikasi diabetes mellitus yang menyerang pembuluh darah retina dan berpotensi menyebabkan kebutaan jika tidak terdeteksi dini. Citra fundus retina berperan penting dalam mendeteksi serta mengklasifikasikan tingkat keparahan RD karena mampu menampilkan kelainan secara jelas. Tantangan utama dalam klasifikasi RD adalah ketidakseimbangan data antar kelas. Penelitian ini mengusulkan penggunaan EfficientNet-B0 dengan augmentasi gambar terarah pada dataset APTOS 2019. Hasil evaluasi menunjukkan peningkatan akurasi dari 73,84% menjadi 82,56% serta F1-score 0,8241. Peningkatan signifikan terlihat pada kelas minoritas, misalnya Mild dari 0,1429 menjadi 0,65 dan Severe dari 0,087 menjadi 0,4211. Temuan ini membuktikan bahwa augmentasi terarah efektif dalam mengurangi bias kelas mayoritas dan meningkatkan keandalan model.

Kata kunci: augmentasi, EfficientNet, ketidakseimbangan kelas, retinopati diabetik

Abstract
Diabetic retinopathy (DR) is a complication of diabetes mellitus that affects the retinal blood vessels and may lead to blindness if not detected early. Fundus images play a crucial role in detecting and classifying the severity of DR as they clearly reveal pathological abnormalities. The main challenge in DR classification lies in the imbalance across severity classes. This study proposes the use of EfficientNet-B0 combined with targeted image augmentation on the APTOS 2019 dataset. The evaluation results show an improvement in accuracy from 73.84% to 82.56% and a F1-score of 0.8241. Significant gains are observed in minority classes, such as Mild (from 0.1429 to 0.65) and Severe (from 0.087 to 0.4211). These findings demonstrate that targeted augmentation is effective in reducing majority-class bias and improving model reliability.
Keywords: class imbalance, data augmentation, diabetic retinopathy, EfficientNet

Teks Lengkap:

PDF

Referensi

Abdullah, S. H., Magdalena, R., & Fu’adah, R. Y. N. (2022). Klasifikasi diabetic retinopathy berbasis pengolahan citra fundus dan deep learning. Journal of Electrical and System Control Engineering, 5(2), 84–90. https://doi.org/10.31289/jesce.v5i2.5659

Chilukoti, S. V., Maida, A. S., & Hei, X. (2022). Diabetic retinopathy detection using transfer learning from pre-trained convolutional neural network models. IEEE Journal of Biomedical and Health Informatics, Vol. XX, 1. https://doi.org/10.36227/techrxiv.18515357.v1

Duque-Arribas, C., Tabernero, H. M., Montes, D., Caballero, J. A., & Galceran, E. (2025). A neural network approach to determining photometric metallicities of M-type dwarf stars. Astronomy & Astrophysics, 698, L12. https://doi.org/10.1051/0004-6361/202554722

Eimoufidi, A., & Ammoun, H. (2021). EfficientNetB3 architecture for diabetic retinopathy assessment using fundus images.

Guerbai, Y., Bouaraki, W., Saibi, A., Bida, M., & Halimouche, R. (2024). Deep learning techniques for diabetic retinopathy classification: A focus on VGG16 and EfficientNetB0. South Florida Journal of Development, 5(10), e4517. https://doi.org/10.46932/sfjdv5n10-027

International Diabetes Federation. (2024). IDF Diabetes Atlas 11th Edition. https://idf.org/about-diabetes/diabetes-facts-figures/

Istiqomah, A. (2022). Perbandingan kinerja deep learning AlexNet dan EfficientNet dengan augmentasi data untuk identifikasi kupu-kupu. http://digilib.unila.ac.id/66216/3/FILE%20SKRIPSI%20FULL%20TANPA%20BAB%20PEMBAHASAN.pdf

Karthik, Maggie, & Sohier, D. (2019). APTOS 2019 blindness detection. Kaggle. https://kaggle.com/competitions/aptos2019-blindness-detection

Naeeni Davarani, M., Arian Darestani, A., Guillen Cañas, V., Azimi, H., Havadaragh, S. H., Hashemi, H., & Harirchian, M. H. (2024). Efficient segmentation of active and inactive plaques in FLAIR-images using DeepLabV3Plus SE with EfficientNetB0 backbone in multiple sclerosis. Scientific Reports, 14(1), 16304. https://doi.org/10.1038/s41598-024-67130-6

Sanjaya, J., & Ayub, M. (2020). Augmentasi data pengenalan citra mobil menggunakan pendekatan random crop, rotate, dan mixup. Jurnal Teknik Informatika dan Sistem Informasi, 6(2). https://doi.org/10.28932/jutisi.v6i2.2688

Santoso, R. (2024). Augmentasi data pada prasasti logam untuk deteksi aksara Kawi.

Syurfi, I. (2021). Penerapan deep learning dengan convolutional neural network untuk klasifikasi citra diabetic dengan arsitektur EfficientNet-B7. https://repository.uin-suska.ac.id/57860/1/BAB%20I%2C%20II%2C%20III%2C%20dan%20VI.pdf

Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. https://arxiv.org/abs/1905.11946

Yi, S. L., Yang, X. L., Wang, T. W., She, F. R., Xiong, X., & He, J. F. (2021). Diabetic retinopathy diagnosis based on RA-EfficientNet. Applied Sciences (Switzerland), 11(22). https://doi.org/10.3390/app112211035

Zahir, M., & Adi Saputra, R. (2024). Deteksi penyakit retinopati diabetes menggunakan citra mata dengan implementasi deep learning CNN. Vol. 18, Nomor 1.

DOI: https://doi.org/10.26760/mindjournal.v10i2.180-194