A COMPARATIVE STUDY OF DENSENET169 AND RESNET101 FOR DIABETIC RETINOPATHY CLASSIFICATION USING THE APTOS 2019 DATASET

Raditya Aulia, Dr. Lukman Heryawan, S.T., M.T.

2026 | Skripsi | ILMU KOMPUTER

Retinopati Diabetik (DR) merupakan penyebab utama kebutaan yang dapat dicegah pada penderita diabetes, sehingga deteksi dini dan akurat sangat penting untuk mencegah kehilangan penglihatan yang parah. Fotografi fundus retina memberikan informasi berharga untuk diagnosis DR; namun, penilaian manual memakan waktu dan rentan terhadap subjektivitas. Kemajuan terbaru dalam pembelajaran mendalam, khususnya Jaringan Saraf Konvolusional (CNN), telah menunjukkan potensi yang kuat dalam mengotomatiskan klasifikasi DR, meskipun sebagian besar studi yang ada berfokus pada arsitektur yang relatif dangkal seperti ResNet50 dan DenseNet121, sehingga varian yang lebih dalam kurang dieksplorasi. Studi ini membandingkan kinerja dua arsitektur CNN yang lebih dalam, ResNet101 dan DenseNet169, untuk klasifikasi DR multikelas menggunakan dataset Deteksi Kebutaan APTOS 2019. Pembelajaran transfer dengan bobot pra-terlatih ImageNet diterapkan, dan kedua model dilatih dalam pengaturan eksperimental yang identik menggunakan pengoptimal Adam, fungsi kerugian entropi silang kategorikal, dan penghentian dini selama 100 epoch. Performa model dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa ResNet101 mencapai akurasi 84,15%, presisi 85%, recall 84%, dan F1-score 83%, sedangkan DenseNet169 mencapai akurasi 84,70%, presisi 85%, recall 85%, dan F1-score 84%. Temuan ini menunjukkan bahwa kedua arsitektur yang lebih dalam tersebut mengungguli arsitektur yang lebih dangkal yang dilaporkan dalam penelitian sebelumnya menggunakan dataset yang sama, dengan DenseNet169 menunjukkan performa yang sedikit lebih baik dan waktu pelatihan yang lebih singkat daripada ResNet101, tetapi kedua model tersebut tetap rentan terhadap overfitting.

Diabetic Retinopathy (DR) is a major cause of preventable blindness among individuals with diabetes, making early and accurate detection essential to prevent severe vision loss. Retinal fundus photography provides valuable information for DR diagnosis; however, manual assessment is time-consuming and prone to subjectivity. Recent advances in deep learning, particularly Convolutional Neural Networks (CNNs), have demonstrated strong potential in automating DR classification, although most existing studies focus on relatively shallow architectures such as ResNet50 and DenseNet121, leaving deeper variants less explored. This study compares the performance of two deeper CNN architectures, ResNet101 and DenseNet169, for multiclass DR classification using the APTOS 2019 Blindness Detection dataset. Transfer learning with ImageNet-pretrained weights was applied, and both models were trained under identical experimental settings using the Adam optimizer, categorical cross-entropy loss function, and early stopping over 100 epochs. Model performance was evaluated using accuracy, precision, recall, and F1-score. The experimental results show that ResNet101 achieved an accuracy of 84.15%, precision of 85%, recall of 84%, and F1-score of 83%, while DenseNet169 achieved an accuracy of 84.70%, precision of 85%, recall of 85%, and F1-score of 84%. These findings indicate that both deeper architectures outperform their shallower counterparts reported in previous studies using the same dataset, with DenseNet169 showing slightly better performance and lower training time than ResNet101 but both models remain susceptible to overfitting.

Kata Kunci : Diabetic Retinopathy, Convolutional Neural Network, DenseNet, ResNet