Analisis Pengaruh Fine-Tuning pada Model ResNet-50 untuk Deteksi Multikategori Penyakit Mata Berdasarkan Citra Fundus Retina

Abstract

Penelitian ini bertujuan menganalisis pengaruh fine-tuning pada model ResNet-50 terhadap kinerja deteksi multikategori penyakit mata berbasis citra fundus retina. Populasi penelitian menggunakan Eye Disease Image Dataset dari Kaggle dengan teknik total sampling, melibatkan 5.335 citra asli dan 16.242 citra hasil augmentasi. Data diproses melalui tahap preprocessing dengan Contrast Limited Adaptive Histogram Equalization (CLAHE), augmentasi data, normalisasi, serta penanganan ketidakseimbangan kelas menggunakan class weighting. Model dikembangkan menggunakan pendekatan transfer learning dengan arsitektur ResNet-50 sebagai feature extractor, dilanjutkan dengan pelatihan baseline dan fine-tuning pada lapisan akhir conv5_block. Evaluasi dilakukan menggunakan Confusion Matrix, Classification Report, dan Top-K Accuracy. Hasil penelitian menunjukkan model baseline memperoleh Top-1 Accuracy sebesar 60,28%, sedangkan model setelah fine-tuning meningkat menjadi 72,82%. Top-2 Accuracy dan Top-3 Accuracy juga mengalami kenaikan dari 79,01% menjadi 90,69% dan dari 89,37% menjadi 96,86%. Peningkatan ini membuktikan bahwa fine-tuning mampu meningkatkan kemampuan generalisasi model, terutama dalam mengenali variasi antar kelas, termasuk kelas minoritas. Dengan demikian, fine-tuning menjadi tahap krusial dalam pengembangan model deep learning berbasis transfer learning untuk klasifikasi citra medis multikategori, sekaligus berpotensi mendukung sistem pengambilan keputusan klinis berbasis kecerdasan buatan di bidang oftalmologi.

GS Cited Analysis