Citra fundus adalah salah satu jenis citra yang banyak digunakan untuk
mendeteksi ketidaknormalan pada mata. Salah satunya digunakan untuk
mendeteksi penyakit retinopati diabetik (RD). Namun, tidak semudah itu
untuk dapat mendeteksi penyakit tersebut secara langsung. Pada citra
fundus memiliki dimensi besar sehingga ekstraksi fitur diperlukan untuk
mereduksi dimensi yang besar. Penelitian ini mengembangkan website
yang digunakan untuk deteksi RD. Proses deteksi dilakukan dengan
ekstraksi fitur menggunakan Local Binary Pattern (LBP) yang
mendeksripsikan tekstur secara lokal. Hasil fitur tersebut di klasifikasi
untuk membedakan dan mengelompokkan citra berdasarkan fitur-fitur
yang diekstraksi. Klasifikasi memanfaatkan Convolutional Neural
Network (CNN) dan arsitektur transfer learning yaitu
InceptionResNetV2, Xception, dan ResNet152V2 yang mampu untuk
proses lebih lanjut seperti klasifikasi citra, deteksi objek, dsb. Proses
training model dilakukan dengan beberapa skenario seperti penggunaan
dataset citra retina fundus tanpa LBP dan hasil LBP, variasi rasio dataset,
arsitektur permodelan, dan learning rate. Berdasarkan history training
menunjukkan nilai tertinggi metrik evaluasi pada model 2
InceptionResNetV2 menggunakan dataset citra retina fundus tanpa LBP
dengan tingkat accuracy terbaik yaitu 96.09%, sensitivity 96.88%,
specificity 97.33%, AUC 99.12%, dan f1-score 97.11%. Berdasarkan
penelitian ini, aplikasi website mampu mengenali citra retina fundus
untuk citra normal dan retinopati diabetik.