Implementasi Convolutional Neural Network (CNN) untuk Deteksi Katarak pada Citra Mata

Abstract

Penelitian ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) yang mampu mendeteksi katarak pada citra mata. Katarak adalah penyebab utama kebutaan di Indonesia dan dunia, yang ditandai dengan kekeruhan pada lensa mata. Dalam penelitian ini, digunakan 600 citra mata yang terdiri dari 300 citra mata normal dan 300 citra mata katarak yang diambil dari dataset publik. Data citra melalui preprocessing yang mencakup resizing, normalisasi, dan augmentasi untuk meningkatkan variasi data. Model CNN dibangun dengan tiga lapisan konvolusi, tiga lapisan pooling, dan dua lapisan fully connected, serta dilatih menggunakan teknik 5-Fold Cross-Validation. Optimasi hyperparameter dilakukan melalui pengujian terhadap dua optimizer, yaitu Adam dan RMSprop, serta penyesuaian learning rate, batch size, dan jumlah epoch untuk meningkatkan akurasi model. Hasil penelitian menunjukkan bahwa dengan kombinasi hyperparameter optimizer Adam, learning rate 0.001, batch size 32, dan jumlah epoch 50, model CNN mampu mencapai akurasi pengujian sebesar 97%, precision 95%, recall 100%, dan F1-score 97% dalam mendeteksi katarak.