Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.29407/b9qezr02Keywords:
penyakit mata, CNN, klasifikasi citra, MobileNetV3, skriningAbstract
Penyakit mata dapat menurunkan kualitas hidup sehingga diperlukan skrining yang cepat dan konsisten. Penelitian ini mengembangkan sistem klasifikasi penyakit mata berbasis Convolutional Neural Network (CNN) yang diimplementasikan pada aplikasi skrining berbasis web. Dataset disusun ke dalam data latih, validasi, dan uji, kemudian citra diproses melalui penyesuaian ukuran 224×224, normalisasi, serta augmentasi pada data latih. Model dibangun menggunakan arsitektur MobileNetV3 Small dengan keluaran lima kelas, yaitu Normal, Cataract, Conjunctivitis, Eyelid, dan Uveitis. Sistem juga menerapkan validasi input untuk memastikan prediksi hanya dilakukan pada mata manusia sebelum proses inferensi. Hasil pengujian pada 350 data uji menunjukkan akurasi sebesar 90,29% dengan performa per kelas yang bervariasi, di mana kesalahan klasifikasi masih terjadi pada kelas-kelas yang memiliki kemiripan ciri visual. Hasil ini menunjukkan CNN efektif untuk mendukung skrining awal penyakit mata dan dapat ditingkatkan melalui penambahan data serta optimasi pelatihan pada penelitian selanjutnya.
Downloads
References
[1] E. Hartati, “KLASIFIKASI PENYAKIT MATA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK MODEL RESNET-50,” 2024.
[2] F. Nurona Cahya, N. Hardi, D. Riana, and S. Hadianti, “SISTEMASI: Jurnal Sistem Informasi Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network ( CNN),” 2021. [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[3] R. Indraswari, W. Herulambang, and R. Rokhana, “Deteksi Penyakit Mata Pada Citra Fundus Menggunakan Convolutional Neural Network (CNN) Ocular Disease Detection on Fundus Images Using Convolutional Neural Network (CNN),” 2022. [Online]. Available: https://www.kaggle.com/datasets/jr2ngb/cataractdataset
[4] R. Gunawan et al., “Pendekatan Transfer Learning untuk Klasifikasi Penyakit Mata Menggunakan Citra dengan CNN InceptionV3,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 6, no. 1, pp. 60–67, May 2025, doi: 10.37859/coscitech.v6i1.8509.
[5] U. P. Sanjaya et al., “Optimasi Convolutional Neural Network dengan Standard Deviasi untuk Klasifikasi Pneumonia pada Citra X-rays Paru,” 2023.
[6] E. Putra Syarif Hidayat, K. Anwar, D. Hermawan, S. Izzuddin, and P. I. Kemenkes Jakarta, “Development of AI Models from Mammography Images for Early Detection of Breast Cancer,” 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Reihan Rafi Rahmadtulloh, Nugroho Bimantoro
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
