Diagnosa Jenis Mata Katarak Menggunakan Convolutional Neural Network
DOI:
https://doi.org/10.52436/1.jpti.481Kata Kunci:
Covolutional Neural Network, Diagnosa, Mata katarak, Machine learningAbstrak
Penelitian ini berfokus pada pengembangan model Convolutional Neural Network (CNN) untuk mendiagnosa jenis katarak mata secara otomatis dan akurat. Data yang digunakan dalam penelitian ini dibagi menjadi dua bagian, yaitu 80% untuk pelatihan dan 20% untuk validasi. Model CNN dilatih menggunakan teknik augmentasi data untuk meningkatkan kinerja dan generalisasi. Setelah melalui proses pelatihan yang intensif, model menunjukkan kinerja yang sangat baik, dengan akurasi mencapai 98% pada data pelatihan dan 99% pada data validasi. Selain itu, hasil evaluasi menunjukkan bahwa model memiliki precision, recall, dan F1-score yang sangat tinggi. Untuk kelas mature dilabeli numerik 0 dengan precision adalah 0.99, recall 0.99 dan F1-score 1.00. Untuk kelas immature dilabeli numerik 1 dengan precision adalah 1.00, recall 0.99 dan F1-score 0.99. Hasil ini menegaskan bahwa model memiliki kemampuan kuat dalam mendiagnosa jenis penyakit mata karatak. Keberhasilan model menunjukkan potensinya untuk digunakan sebagai alat bantu diagnosis katarak dalam praktik klinis, memungkinkan deteksi yang lebih cepat dan akurat. Model juga dapat membantu mengurangi beban kerja dokter mata dengan menyediakan diagnosis awal yang dapat diandalkan. Namun, untuk memastikan keandalan dan generalisasi model dalam berbagai situasi klinis, diperlukan uji coba tambahan dengan dataset yang lebih besar dan beragam. Penelitian memberikan landasan penting untuk pengembangan lebih lanjut dalam sistem diagnostik berbasis kecerdasan buatan (AI) yang dapat meningkatkan kualitas perawatan mata dan mempercepat proses diagnosa.
Unduhan
Referensi
R. Jannah, Gangguang dan Kesehatan Mata. GUEPEDIA. [Online]. Available: https://books.google.co.id/books?id=I1AdDQAAQBAJ
O. Poliklinik, M. Rsup, and S. Denpasar, “No Title,” vol. 9, no. 9, pp. 5–8, 2020.
A. U. Detty, I. Artini, V. R. Yulian, D. Ilmu, M. Fakultas, and K. Universitas, “Pendahuluan Metode,” vol. 10, pp. 12–17, 2021.
Ni Made Adinda Sadhana Pramadani, Ni Wayan Rusni, and Ni Luh Putu Eka Kartika Sari, “Hubungan antara Durasi Penggunaan Komputer dengan Kelelahan Mata pada Pegawai Bank BPD Cabang Utama Denpasar,” Aesculapius Med. J., vol. 4, no. 1, pp. 9–15, 2024, doi: 10.22225/amj.4.1.2024.9-15.
S. Chairani, A. Apriningsih, and C. Simanjorang, “Determinan Keluhan Computer Vision Syndrome Pada Pekerja Di Pt X Tahun 2023,” J. Kesehat. Tambusai, vol. 4, no. 3, pp. 2158–2167, 2023, doi: 10.31004/jkt.v4i3.16987.
D. Darmawan and A. S. Wahyuningsih, “Keluhan Subjektif Computer Vision Syndrome Pada Pegawai Pengguna Komputer Dinas Komunikasi dan Informasi,” Ijphn, vol. 1, no. 2, pp. 172–183, 2021.
W. R. Martiningsih, S. Swasty, A. Novitasari, and I. D. Kurniati, “Skrining dan Pemeriksaan Mata pada Sivitas Akademika dan Warga di Lingkungan Universitas Muhammadiyah Semarang,” J. Inov. Dan Pengabdi. Masy. Indones., vol. 3, no. 1, pp. 9–13, 2024, doi: 10.26714/jipmi.v3i1.291.
S. Sunyanti, “Keluhan Kelelahan Mata Pada Pekerja Pengguna Komputer Di Perusahaan Travel Di Kolaka Raya,” IDENTIFIKASI J. Ilm. Keselamatan, Kesehat. Kerja dan Lindungan Lingkung., vol. 5, no. 2, pp. 168–177, 2019, doi: 10.36277/identifikasi.v5i2.99.
J. Kecerdasan, T. Informasi, D. H. Firdaus, B. Imran, L. D. Bakti, and E. Suryadi, “Klasifikasi Penyakit Katarak Pada Mata Menggunakan Metode Convolutional Neural Network ( Cnn ) Berbasis Web Web-Based Classification of Cataract in the Eyes Using Convolutional Neural Network ( Cnn ) Method,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 1, no. 3, pp. 18–26, 2022.
Sabaragamuwa University. Faculty of Applied Sciences and Sabaragamuwa University. Faculty of Applied Sciences. Department of Computer and Information Systems, “ICARC - 2022, 2nd International Conference on Advanced Research in Computing?: 23rd - 24th February 2022, Faculty of Applied Sciences, Sabaragamuwa University of Sri Lanka, Belihuloya, Sri Lanka,” p. 396, 2022.
M. Sahu and R. Dash, A survey on deep learning: Convolution neural network (cnn), vol. 153, no. January. Springer Singapore, 2021. doi: 10.1007/978-981-15-6202-0_32.
F. Ramadhani, A. Satria, and S. Salamah, “Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak,” sudo J. Tek. Inform., vol. 2, no. 4, pp. 167–175, 2023, doi: 10.56211/sudo.v2i4.408.
M. Harahap, S. K. Anjelli, W. A. M. Sinaga, R. Alward, J. F. W. Manawan, and A. M. Husein, “Classification of diabetic foot ulcer using convolutional neural network (CNN) in diabetic patients,” J. Infotel, vol. 14, no. 3, pp. 196–202, 2022, doi: 10.20895/infotel.v14i3.796.
R. Rokhana et al., “Convolutional Neural Network untuk Pendeteksian Patah Tulang Femur pada Citra Ultrasonik B–Mode,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 8, no. 1, p. 59, 2019, doi: 10.22146/jnteti.v8i1.491.
F. A. A. Harahap, A. N. Nafisa, E. N. D. B. Purba, and N. A. Putri, “Implementasi Algoritma Convolutional Neural Network Arsitektur Model Mobilenetv2 Dalam Klasifikasi Penyakit Tumor Otak Glioma, Pituitary Dan Meningioma,” J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 5, no. 1, pp. 53–61, 2023, doi: 10.29303/jtika.v5i1.234.
S. Bila, A. Fitrianto, and B. Sartono, “Image Classification of Beef and Pork Using Convolutional Neural Network in Keras Framework,” Int. J. Sci. Eng. Inf. Technol., vol. 5, no. 02, pp. 245–248, 2021, doi: 10.21107/ijseit.v5i02.9864.
Y. Achmad, R. C. Wihandika, and C. Dewi, “Klasifikasi emosi berdasarkan ciri wajah wenggunakan convolutional neural network,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 11, pp. 10595–10604, 2019.
