Klasifikasi Level Non-Proliferatif Retinopati Diabetik Dengan Ensemble Convolutional Neural Network

Penelitian ini mengusulkan algoritma CNN ensemble classifier untuk klasifikasi level non-proliferatif Retinopati diabetik. Penelitian ini menggunakan metode transfer learning feature-extraction , dan membandingkannya dengan fine-tuning . Pada lapisan pertama lapisan klasifikasi, dibandingkan penggunaan lapisan GAP dan Flatten dengan menggunakan metode dropout . Mode terbaik digunakan sebagai mode final klasifikasi. Arsitektur yang digunakan adalah DenseNet201, InceptionV3 dan MobileNetV2, Masing-masing model diuji dengan optimasi SGD dan ADAM. Keputusan prediksi diambil berdasarkan metode average voting . Hasil pengujian masing-masing arsitektur menunjukkan hasil terbaik adalah fine tuning , GAP, dan optimasi ADAM. Model final fine-tuning DenseNet201, InceptionV3 dan MobileNetV2 dapat mengklasfikasi level retinopati diabetik dengan akurasi pada data uji masing-masing 93%, 94% dan 89%. Sedangkan performa klasifikasi model ensemble untuk masing-masing kelas memiliki akurasi terendah 95,6% dan F1-Score terendah 91.3%. K ata Kunci:  retinopati diabetik,  deep learning ,  convolutional neural network ,  ensemble classifier , DenseNet201,  InceptionV3, MobileNetV2.