Munculnya berbagai arsitektur CNN menunjukkan kemajuan di bidang visi komputer. Namun, sebagian besar arsitektur memiliki parameter yang besar, yang cenderung meningkatkan biaya komputasi dari proses pelatihan. Selain itu, sumber data yang tidak seimbang sering dijumpai, menyebabkan model menjadi overfit. Tujuan dari penelitian ini adalah untuk mengevaluasi metode baru untuk mengklasifikasikan gambar fundus retina dari data yang tidak seimbang ke dalam kelas yang sesuai dengan menggunakan parameter yang lebih sedikit daripada metode sebelumnya. Untuk mencapai hal ini, arsitektur SEHUNET, sebuah modifikasi dari Half U-Net dengan proses Squeeze-Excite untuk memberikan mekanisme perhatian pada setiap saluran peta fitur dari model, dikombinasikan dengan SMOTE diusulkan. Akurasi tes dari SEHUNET adalah 98,52?ngan Area Under the curve of Receiver Operation Characteristic (AUROC) sebesar 0,997. Hasil ini mengungguli penelitian sebelumnya yang menggunakan CNN dengan Bayesian Optimization, mencapai akurasi 95,89?n AUROC 0,992. SEHUNET juga mampu bersaing dengan metode transfer learning yang digunakan dalam penelitian sebelumnya seperti InceptionV3 dengan akurasi 96,35%, VGG dengan 96,8%, dan ResNet dengan 98,63%. Kinerja ini dapat dicapai oleh SEHUNET dengan hanya 0,268 juta parameter dibandingkan dengan parameter arsitektur yang digunakan dalam penelitian sebelumnya yang berkisar dari 11 juta hingga 33 juta.