UKRIMUKRIM

Infact: International Journal of ComputersInfact: International Journal of Computers

Katarak merupakan kondisi yang menyebabkan kekeruhan pada lensa mata, yang dapat mengakibatkan kebutaan dan penglihatan yang buruk. Menurut WHO, sekitar 18 juta orang mengalami kebutaan akibat katarak, menjadikannya salah satu penyebab utama kebutaan secara global. Penelitian ini bertujuan mengembangkan model pembelajaran mendalam yang memanfaatkan Convolutional Neural Networks (CNN) untuk mengkategorikan tingkat keparahan katarak menjadi empat kelompok: hipermatur, normal, tidak matang, dan matang. Model ini diharapkan menjadi alternatif yang lebih efisien dan akurat dibandingkan metode tradisional dalam diagnosis katarak. Untuk mencapainya, dilakukan transfer learning dengan tiga arsitektur CNN populer: VGG16, VGG19, dan ResNet50. Eksperimen dilakukan menggunakan dataset citra mata berlabel untuk pelatihan, dan performa model dievaluasi dengan menghitung F1‑score, recall, akurasi, dan presisi menggunakan confusion matrix.

Penelitian ini menunjukkan bahwa model VGG19 dengan epoch 10 memberikan akurasi tertinggi (88%) dalam klasifikasi tingkat keparahan katarak, sementara semua model mengalami overfitting pada eksperimen B dengan akurasi terendah pada ResNet50 (0,67).Penelitian lanjutan perlu mengeksplorasi arsitektur CNN lain seperti DenseNet, MobileNet, dan EfficientNet, serta mengembangkan perangkat lunak deteksi keparahan katarak yang dapat terintegrasi dengan kamera atau smartphone.Selain itu, penelitian selanjutnya dapat meningkatkan proses data dengan teknik augmentasi yang lebih canggih dan memperluas dataset untuk memperbaiki kemampuan generalisasi model.

Penelitian selanjutnya dapat menyelidiki pertanyaan apakah arsitektur CNN alternatif seperti DenseNet, MobileNet, atau EfficientNet dapat meningkatkan akurasi klasifikasi tingkat keparahan katarak dibandingkan model VGG19 yang telah diuji. Selain itu, dapat dikaji bagaimana pengembangan aplikasi berbasis smartphone atau kamera portabel yang memanfaatkan model deep learning dapat memberikan diagnosis katarak secara cepat dan akurat dalam konteks layanan kesehatan lapangan. Selanjutnya, penelitian dapat mengevaluasi pengaruh teknik augmentasi data yang lebih canggih, seperti generative adversarial networks, terhadap kualitas dataset dan kemampuan generalisasi model pada citra mata yang beragam. Penelitian juga dapat merancang studi komparatif untuk menilai manfaat kombinasi beberapa arsitektur CNN secara ensemble dalam mengurangi overfitting dan meningkatkan stabilitas performa. Terakhir, investigasi terhadap penggunaan dataset yang lebih besar dan beragam, termasuk citra dari berbagai populasi dan kondisi pencahayaan, dapat memberikan insight tentang skalabilitas dan ketahanan model dalam aplikasi nyata.

  1. The Advantage of Transfer Learning with Pre-Trained Model in CNN Towards Ct-Scan Classification | Pardede... journals.ums.ac.id/index.php/khif/article/view/19872The Advantage of Transfer Learning with Pre Trained Model in CNN Towards Ct Scan Classification Pardede journals ums ac index php khif article view 19872
  2. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... eandv.biomedcentral.com/articles/10.1186/s40662-024-00384-3Client Challenge client challenge javascript disabled browser please enable proceed required part site eandv biomedcentral articles 10 1186 s40662 024 00384 3
  3. KLASIFIKASI PENYAKIT KATARAK BERDASARKAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)... doi.org/10.69916/jkbti.v1i3.6KLASIFIKASI PENYAKIT KATARAK BERDASARKAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK CNN doi 10 69916 jkbti v1i3 6
  4. Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19 | Algoritme... doi.org/10.35957/algoritme.v3i1.3331Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG 19 Algoritme doi 10 35957 algoritme v3i1 3331
Read online
File size570.4 KB
Pages9
DMCAReport

Related /

ads-block-test