Detail Cantuman

Glaukoma adalah penyakit mata kronis yang ditandai dengan kerusakan saraf optik progresif dan merupakan salah satu penyebab utama kebutaan permanen. Saat ini, analisis manual terhadap citra fundus retina memakan waktu, terutama dalam kondisi beban kerja klinis yang tinggi, untuk meningkatkan alur proses pemeriksaan dokter terhadap pasien, penelitian ini bertujuan mengembangkan sistem klasifikasi penyakit glaukoma menggunakan model deep learning hibrida yang mengintegrasikan arsitektur ResNeXt dengan Convolutional Block Attention Module (CBAM). Pada metode yang diusulkan, ResNeXt bertugas menangkap fitur kompleks, sementara CBAM secara spesifik meningkatkan ekstraksi fitur dengan memfokuskan atensi model pada informasi spasial dan kanal yang lebih relevan. Evaluasi kinerja menunjukkan keunggulan model usulan dibandingkan baseline. Model ResNeXt standar mencatat akurasi 91.61%, F1-Score 88.98%, dan AUC 96.35%. Sebaliknya, model ResNeXt dengan integrasi modul atensi CBAM menunjukkan peningkatan performa dengan akurasi 92.7%, F1-Score 90,60%, dan AUC 96,91%. Temuan ini mengindikasikan bahwa integrasi CBAM mampu meningkatkan sensitivitas dan ketangguhan model klasifikasi secara keseluruhan dibandingkan arsitektur standar.