Analisis Citra Medis untuk Identifikasi Penyakit Mata dengan Teknologi Convolutional Neural Networks

Abstrak

Penyakit mata seperti katarak, glaukoma, dan retinopati diabetik merupakan penyebab utama gangguan penglihatan yang dapat menyebabkan kebutaan jika tidak dideteksi dan diobati secara dini. Diagnosis penyakit mata secara tradisional membutuhkan pemeriksaan langsung oleh dokter spesialis mata, yang bersifat manual dan memakan waktu. Seiring dengan perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) dan pembelajaran mesin (Machine Learning), metode berbasis citra medis, terutama Convolutional Neural Network (CNN), telah terbukti efektif dalam mendeteksi dan mengklasifikasikan penyakit mata secara otomatis. CNN memiliki kemampuan untuk mengekstraksi fitur penting dari gambar medis dan mengenali pola-pola visual yang menjadi ciri khas dari berbagai jenis penyakit mata. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model CNN yang dapat mengklasifikasikan penyakit mata berdasarkan citra fundus. Beberapa arsitektur CNN yang telah terbukti efektif dalam tugas klasifikasi gambar, seperti DenseNet, ResNet, dan MobileNet, diterapkan, disertai dengan teknik transfer learning dan augmentasi data untuk meningkatkan akurasi model pada dataset yang terbatas. Dataset yang digunakan dalam penelitian ini mencakup gambar fundus mata yang mengandung beberapa jenis penyakit mata, termasuk katarak, glaukoma, dan retinopati diabetik. Arsitektur ResNet50, dengan learning rate 0.01, menunjukkan performa unggul dalam klasifikasi penyakit mata, termasuk katarak, glaukoma, dan retinopati diabetik, dengan akurasi 92.27%. Dibandingkan dengan arsitektur lain seperti MobileNet dan DeseNet , ResNet50 unggul dalam akurasi dan stabilitas. Teknologi CNN ini memungkinkan deteksi otomatis penyakit mata, mempercepat diagnosis dini dan mendukung pengambilan keputusan klinis, yang sangat penting untuk mencegah kebutaan akibat keterlambatan diagnosis.