Tingginya angka kebutaan global yang dapat dicegah akibat penyakit retina seperti choroidal neovascularization (CNV), diabetic macular edema (DME), dan Drusen, menjadi tantangan utama dalam dunia oftalmologi. Di Indonesia, tantangan ini diperburuk oleh keterbatasan jumlah dokter spesialis. Sementara itu, proses diagnosis manual menggunakan citra Optical Coherence Tomography (OCT) tidak hanya memakan waktu 10-15 menit per pasien, tetapi juga rentan terhadap variabilitas subjektif yang dapat menyebabkan tingkat kesalahan diagnosis hingga 30%. Meskipun model deep learning tunggal menawarkan potensi otomatisasi, model tersebut seringkali memiliki keterbatasan seperti bias arsitektur dan risiko overfitting. Menjawab tantangan-tantangan tersebut, penelitian ini mengembangkan sebuah model ensemble dengan lima arsitektur CNN (VGG16, ResNet50, InceptionV3, DenseNet121, dan EfficientNetB0) yang dioptimalkan secara sistematis untuk meningkatkan akurasi klasifikasi empat kelas penyakit retina.
Dataset citra OCT publik dari Kaggle digunakan dalam penelitian ini. Sebuah pipeline pre-processing komprehensif diterapkan, mencakup augmentasi data (rotasi, zoom, flip) untuk meningkatkan generalisasi dan class weighting untuk mengatasi ketidakseimbangan data. Arsitektur model yang diusulkan menggunakan mekanisme feature fusion, di mana vektor fitur dari kelima cabang CNN digabungkan melalui operasi concatenate. Untuk menemukan konfigurasi terbaik, dilakukan optimasi terhadap 12 hyperparameter kritis termasuk learning rate, dropout rate, jumlah neuron, dan optimizer menggunakan metode Keras Tuner RandomSearch.
Hasil penelitian menunjukkan bahwa konfigurasi hyperparameter yang optimal berhasil menghasilkan model ensemble dengan performa superior. Model terbaik mencapai akurasi pengujian sebesar 95,5% dengan nilai loss yang rendah, serta menunjukkan proses pelatihan yang stabil tanpa indikasi overfitting. Performa model juga sangat baik di seluruh kelas penyakit dengan nilai precision, recall, dan F1-score rata-rata di atas 0,9. Keberhasilan ini dicapai melalui kombinasi optimizer SGD dengan learning rate 0,00285, serta keseimbangan antara kapasitas neuron dan regularisasi dropout. Penelitian ini berhasil membuktikan bahwa pendekatan ensemble yang dioptimalkan secara holistik merupakan strategi yang sangat efektif dan andal untuk klasifikasi penyakit retina berbasis citra OCT.