Pemodelan Interpretable Decision Layer untuk Klasifikasi Glaukoma pada Citra Fundus dengan CNN dan ANFIS

Etik Irijanti, Prof. Ir. Hanung Adi Nugroho, S.T., M.Eng., Ph.D., IPM., SMIEEE., ASEAN Eng. (Promotor) dan Dr.Eng. Ir. Igi Ardiyanto, S.T., M.Eng., IPM., ASEAN Eng., SMIEEE. (Ko-Promotor)

2026 | Disertasi | S3 Teknik Elektro

Glaukoma merupakan penyakit neurodegeneratif pada saraf optik yang dapat menyebabkan kebutaan permanen apabila tidak dikenali pada tahap awal. Citra fundus retina banyak digunakan dalam pengembangan sistem klasifikasi glaukoma karena mampu merepresentasikan struktur penting pada retina, khususnya area optic disc, optic cup, dan optic nerve head. Pendekatan berbasis Convolutional Neural Network (CNN) telah menunjukkan kemampuan yang kuat dalam membentuk representasi visual dan mencapai kinerja klasifikasi yang kompetitif. Namun, sebagian besar pendekatan CNN masih bersifat black-box karena proses pengambilan keputusan berlangsung pada ruang laten berdimensi tinggi yang sulit ditelusuri secara eksplisit. Kondisi tersebut menunjukkan perlunya pendekatan yang tidak hanya berorientasi pada kinerja klasifikasi, tetapi juga mampu membangun struktur inferensi yang lebih eksplisit, kompak, dan dapat ditelusuri secara sistematis.

Penelitian ini mengusulkan model CNN–FS–ANFIS untuk klasifikasi glaukoma berbasis citra fundus retina, yang mengintegrasikan CNN sebagai pembentuk representasi visual, seleksi fitur sebagai mekanisme pembentukan compact decision-space, dan ANFIS sebagai decision layer berbasis aturan fuzzy. CNN digunakan sebagai feature extractor, bukan sebagai mekanisme keputusan akhir. Representasi fitur hasil CNN direduksi menggunakan seleksi fitur berbasis sparsity, dengan LASSO sebagai metode utama, serta dibandingkan dengan Elastic Net dan Mutual Information. Fitur terpilih digunakan sebagai masukan ANFIS untuk membangun mekanisme inferensi berbasis fungsi keanggotaan, aktivasi aturan fuzzy, dan konsekuen linier yang dapat ditelusuri secara eksplisit.

Evaluasi dilakukan pada dua dataset publik, yaitu PAPILA dan ACRIMA, dengan pengulangan lima kali pada pembagian data 70:15:15. Pada dataset PAPILA, konfigurasi representatif dengan enam fitur hasil seleksi LASSO menghasilkan AUC sebesar 0,84 ± 0,01, sensitivitas sebesar 0,82 ± 0,13, spesifisitas sebesar 0,74 ± 0,10, dan F1-score sebesar 0,79 ± 0,04. AUC tersebut sama secara numerik dengan konfigurasi ANFIS yang menggunakan seluruh fitur CNN, sedangkan perbedaan performa antarstrategi seleksi fitur tidak signifikan secara statistik. Pada dataset ACRIMA, model CNN–FS–ANFIS memperoleh akurasi sebesar 0,94 ± 0,04 dan AUC sebesar 0,98 ± 0,01, sedangkan CNN baseline EfficientNetV2-L memperoleh akurasi sebesar 0,96 ± 0,03 dan AUC sebesar 0,99 ± 0,01. Uji Wilcoxon menunjukkan bahwa perbedaan kinerja kedua model pada ACRIMA tidak signifikan secara statistik pada metrik yang diuji (p > 0,05).

Hasil tersebut menunjukkan bahwa pembentukan compact decision-space mampu mempertahankan kemampuan diskriminatif yang kompetitif sekaligus menyediakan struktur inferensi yang dapat ditelusuri. Kontribusi utama penelitian ini bukan peningkatan akurasi absolut, melainkan pemodelan interpretable decision layer yang mendukung keterlacakan struktural melalui pendekatan interpretability by design. Interpretabilitas tersebut berada pada tingkat struktur model dan terutama ditujukan bagi peneliti serta pengembang model, bukan berupa penjelasan diagnostik yang siap digunakan oleh klinisi.

Kata kunci— Glaukoma, citra fundus retina, Convolutional Neural Network, seleksi fitur, LASSO, ANFIS, compact decision-space, interpretabilitas.

Glaucoma is a neurodegenerative disease of the optic nerve that may lead to permanent blindness if it is not detected at an early stage. Retinal fundus images are widely used in the development of glaucoma classification systems because they provide visual representations of important retinal structures, particularly the optic disc, optic cup, and optic nerve head. Approaches based on Convolutional Neural Networks (CNNs) have demonstrated strong capability in learning visual representations and achieving competitive classification performance. However, most CNN-based approaches still operate as black-box models because the decision-making process takes place within a high-dimensional latent space that is difficult to trace explicitly. This condition highlights the need for an approach that is not only oriented toward classification performance but is also capable of constructing a more explicit, compact, and systematically traceable inference structure.

This study proposes a CNN–FS–ANFIS model for glaucoma classification based on retinal fundus images, integrating CNN as a visual representation learner, feature selection as a mechanism for constructing a compact decision-space, and ANFIS as a fuzzy rule-based decision layer. CNN is used as a feature extractor rather than as the final decision-making mechanism. The CNN-derived feature representation is reduced using sparsity-based feature selection, with LASSO employed as the main method and compared with Elastic Net and Mutual Information. The selected features are then used as inputs to ANFIS to construct an inference mechanism based on membership functions, fuzzy-rule activations, and linear consequents that can be explicitly traced.

The evaluation was conducted on two public datasets, namely PAPILA and ACRIMA, using five repetitions of a 70:15:15 data split. On the PAPILA dataset, the representative configuration using six LASSO-selected features achieved an AUC of 0.84 ± 0.01, a sensitivity of 0.82 ± 0.13, a specificity of 0.74 ± 0.10, and an F1-score of 0.79 ± 0.04. The AUC was numerically identical to that obtained by the ANFIS configuration using all CNN features, while the differences in performance among the evaluated feature-selection strategies were not statistically significant. On the ACRIMA dataset, the CNN–FS–ANFIS model achieved an accuracy of 0.94 ± 0.04 and an AUC of 0.98 ± 0.01, whereas the EfficientNetV2-L CNN baseline achieved an accuracy of 0.96 ± 0.03 and an AUC of 0.99 ± 0.01. The Wilcoxon tests indicated no statistically significant differences between the two models on ACRIMA across the evaluated metrics (p > 0.05).

These results indicate that constructing a compact decision-space preserved competitive discriminative performance while providing a traceable inference structure. The main contribution of this study is therefore not an absolute improvement in classification accuracy, but the modeling of an interpretable decision layer that supports structural traceability through an interpretability by design approach. This interpretability resides at the model level and is intended primarily for researchers and model developers, rather than constituting diagnostic explanations ready for clinical use.

Keywords— Glaucoma, retinal fundus image, Convolutional Neural Network, feature selection, LASSO, ANFIS, compact decision-space, interpretability.

Kata Kunci : Glaukoma, citra fundus retina, Convolutional Neural Network, seleksi fitur, LASSO, ANFIS, compact decision-space, interpretabilitas.