Klasifikasi Penyakit Mata melalui Citra Fundus Retina Mata dengan Arsitektur Convolutional Neural Network (CNN)

Abstract

Penelitian ini membahas pengembangan sebuah model untuk mengklasifikasikan berbagai kondisi penyakit pada mata, seperti katarak, retinopati diabetik, dan glaukoma. Dalam penelitian ini, metode Deep Learning diterapkan pada citra fundus retina. Kumpulan data yang digunakan diperoleh dari platform Kaggle, terdiri dari total 4217 citra fundus retina. Tahap pra-pemrosesan mencakup penghapusan gambar yang tidak layak, penyesuaian ukuran gambar menjadi 224x224 piksel, serta augmentasi dengan rotasi horizontal, vertikal, dan rotasi sebesar 90 derajat. Data tersebut kemudian dipecah menjadi data yang digunakan untuk pelatihan (80%), validasi (10%), dan pengujian (10%). Dalam penelitian ini, arsitektur Convolutional Neural Network (CNN) yang diterapkan adalah ResNet-50, VGG-19, DenseNet-121, dan EfficientNet-B0, dengan semua model dilatih tanpa bobot yang telah dilatih sebelumnya. Proses pelatihan model dilakukan sebanyak 50 epoch menggunakan optimizer Adam dan fungsi kerugian CrossEntropyLoss. Setiap arsitektur yang diterapkan memberikan hasil performa dan tingkat akurasi yang berbeda. Model yang dilatih dalam penelitian ini mencapai akurasi tertinggi sebesar 91,25%. Berbeda dengan sebagian besar penelitian dahulu yang mengandalkan transfer learning, pendekatan pada penelitian ini dilakukan agar dapat memahami setiap model dengan lebih objektid secara komparatif. Penelitian ini bertujuan untuk memberikan referensi mengenai arsitektur Convolutional Neural Network (CNN) yang paling sesuai dalam mengklasifikasikan berbagai penyakit mata berdasarkan citra fundus. Selain itu, hasil penelitian ini berpotensi diintegrasikan ke dalam sistem skrining medis otomatis untuk mendukung deteksi dini di daerah dengan keterbatasan tenaga dokter spesialis mata.