Klasifikasi Tingkat Keparahan Penyakit Mata Diabetic Retinopathy Menggunakan ResNet-50 dan Visualisasi GradCAM

Abstract

Diabetic Retinopathy (DR) merupakan komplikasi diabetes pada mata yang dapat menyebabkan gangguan penglihatan hingga kebutaan. Penelitian ini menerapkan ResNet-50 berbasis transfer learning dan visualisasi Gradient- weighted Class Activation Mapping (GradCAM) untuk mengklasifikasikan tingkat keparahan DR pada dataset APTOS 2019 yang terdiri atas 3.662 citra fundus. Tahap praproses meliputi pengubahan ukuran citra, Contrast-Limited Adaptive Histogram Equalization (CLAHE), oversampling, augmentasi berupa rotasi, zoom, dan flip horizontal, serta normalisasi. Optimasi hyperparameter menggunakan Grid Search terhadap 18 kombinasi menghasilkan konfigurasi terbaik berupa learning rate 0,001, optimizer AdamW, dropout 0,6, dan batch size 64 dengan QWK validasi 0,8849. Pelatihan akhir dalam lima pengulangan menghasilkan rata-rata QWK 0,9359 pada data validasi dan 0,9242 pada data uji. Performa terbaik dan paling stabil diperoleh pada kelas Normal, sedangkan kelas Severe dan Proliferative masih menunjukkan variasi performa lebih besar. GradCAM memperlihatkan perhatian model pada area retina yang relevan. Dengan demikian, integrasi ResNet-50 dan GradCAM berpotensi menjadi alat bantu dokter dalam mendeteksi tingkat keparahan DR secara lebih terinterpretasi.

Diabetic Retinopathy (DR) is a diabetic eye complication that can lead to visual impairment and blindness. This study applies ResNet-50 with transfer learning and Gradient-weighted Class Activation Mapping (GradCAM) to classify DR severity using the APTOS 2019 dataset, comprising 3,662 fundus images. Preprocessing included image resizing, Contrast-Limited Adaptive Histogram Equalization (CLAHE), oversampling, data augmentation through rotation, zoom, and horizontal flip, and normalization. Hyperparameter optimization using Grid Search across 18 combinations identified the best configuration: a learning rate of 0.001, AdamW optimizer, 0.6 dropout, and a batch size of 64, achieving a validation QWK of 0.8849. Final training over five repetitions achieved mean QWK scores of 0.9359 on validation data and 0.9242 on test data. The model performed best and most consistently on the Normal class, while Severe and Proliferative classes showed greater performance variation. GradCAM highlighted retinal regions relevant to classification. Therefore, the integration of ResNet-50 and GradCAM has the potential to support clinicians in detecting DR severity through visually interpretable results.