Penyakit vaskular retina, seperti retinopati diabetik dan retinopati hipertensi, menjadi salah satu penyebab utama gangguan penglihatan dan kebutaan secara global. Morfologi dan konfigurasi pembuluh darah retina merupakan indikator penting dalam mendiagnosis berbagai penyakit sistemik seperti glaukoma, hipertensi, dan diabetes melitus. Oleh karena itu, analisis citra fundus retina secara akurat menjadi aspek krusial dalam deteksi dini dan pemantauan penyakit. Namun, pada saat ini masih ditemukan adanya manifest classification errors dalam proses segmentasi dan klasifikasi arteri serta vena. Penelitian ini bertujuan untuk mengembangkan arsitektur deep learning baru yang mampu melakukan segmentasi multiclass pembuluh darah retina (arteri dan vena) secara efisien dan akurat serta meminimalisir manifest classification errors yang disebabkan oleh segmentasi dan klasifikasi. Arsitektur yang diusulkan berbasis W-Net yang diperkuat dengan integrasi Squeeze-and-Excitation (SE) Block pada bagian encoder serta modul Atrous Spatial Pyramid Pooling (ASPP) pada bagian bottleneck. SE Block bertugas menekankan fitur penting antar channel, sedangkan ASPP menangkap konteks spasial multiskala tanpa menambah beban parameter secara signifikan. Model dilatih menggunakan dataset RITE dan HRF, serta dievaluasi pada dataset RITE, HRF, dan LES-AV menggunakan metrik sensitivitas, spesifisitas, dan akurasi. Hasil evaluasi menunjukkan bahwa model menghasilkan performa kompetitif dengan jumlah parameter yang relatif rendah, yaitu mereduksi jumlah parameter sampai 75% sehingga jumlahnya hanya menjadi 108 Juta. Model mencapai akurasi tertinggi 97,09% pada dataset HRF dan 95.18% pada dataset RITE. Dengan performa tinggi dan efisiensi parameter, model ini berpotensi besar untuk diterapkan dalam sistem klinis dengan komputasi yang terbatas tanpa mengorbankan kualitas segmentasi multiclass.
