Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi pembuluh darah pada citra fundus melalui integrasi metode Automatic Polling Seeded Region Growing (APSRG) untuk segmentasi dan Learning Vector Quantization (LVQ) untuk klasifikasi. Evaluasi performa segmentasi menggunakan dataset DRIVE menunjukkan hasil yang menjanjikan dengan akurasi 91.19%, recall 86.45%, namun precision yang relatif rendah (45.70%) dan F1-Score 59.79%. Dalam aspek klasifikasi, model LVQ dievaluasi menggunakan teknik 5-fold cross-validation, menghasilkan rata-rata akurasi 0.4900 dengan standar deviasi 0.2354. Evaluasi pada validation set mencapai akurasi 0.5000 dan test set 0.6000, namun menunjukkan ketidakseimbangan performa antar kelas dengan kinerja yang lebih baik pada kelas 1 dibandingkan kelas 2. Hasil penelitian mengindikasikan perlunya optimasi lebih lanjut, terutama dalam mengurangi false positive pada proses segmentasi dan meningkatkan kemampuan klasifikasi untuk kelas 2. Penelitian ini memberikan landasan untuk pengembangan sistem klasifikasi pembuluh darah yang lebih akurat dan efisien di masa mendatang.
Kata kunci: APSRG, citra fundus, klasifikasi, LVQ, segmentasi pembuluh darah.