%A Reva Danindra Aulia
%D 2026
%T ANALISIS KOMPARATIF SQUEEZENET DAN SHUFFLENET DALAM KLASIFIKASI PENYAKIT MATA BERBASIS CITRA RETINA DENGAN PENDEKATAN EXPLAINABLE AI
%L universitasamikomyogyakarta33105
%K Penyakit Mata, Klasifikasi Citra, CNN, Grad-CAM, Efisiensi
Komputasi, Eye Disease, Image Classification, Computational
Efficiency.
%X Penyakit mata merupakan salah satu faktor utama yang berkontribusi
terhadap penurunan kualitas penglihatan, sehingga diperlukan deteksi dini agar
penanganan dapat dilakukan dengan tepat dan akurat. Penelitian ini bertujuan
membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN), yaitu
SqueezeNet dan ShuffleNet, dalam klasifikasi penyakit mata berbasis citra retina.
Dataset yang digunakan berasal dari Kaggle dan terdiri dari empat kelas, yaitu
cataract, diabetic retinopathy, glaucoma, dan normal. Penelitian menerapkan
transfer learning dengan dua strategi pelatihan, yaitu fixed feature extraction dan
partial fine-tuning. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall,
F1-score, efisiensi komputasi, serta pendekatan Explainable Artificial Intelligence
(XAI) melalui Grad-CAM.
Hasil penelitian menunjukkan bahwa strategi partial fine-tuning
memberikan performa yang lebih baik dibandingkan fixed feature extraction pada
kedua model. ShuffleNet dengan partial fine-tuning memperoleh akurasi tertinggi
sebesar 91%. Dari sisi efisiensi komputasi, SqueezeNet memiliki ukuran model dan
jumlah parameter yang lebih kecil dan waktu pelatihan cepat dibandingkan
ShuffleNet. Berdasarkan visualisasi Grad-CAM, ShuffleNet menunjukkan fokus
perhatian yang lebih terarah pada area retina yang merepresentasikan gejala
penyakit. Secara keseluruhan, ShuffleNet dengan partial fine-tuning merupakan
model paling optimal karena mampu memberikan performa klasifikasi dan
interpretasi visual yang lebih baik, meskipun membutuhkan sumber daya
komputasi yang lebih besar dibandingkan SqueezeNet.
%I Universitas AMIKOM Yogyakarta