IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DETEKSI KATARAK PADA CITRA MATA

Katarak adalah penyebab utama kebutaan di dunia, termasuk Indonesia, yang terjadi akibat lensa mata keruh, menghambat cahaya, dan menyebabkan gangguan penglihatan. Deteksi dini sangat penting, namun aksesibilitas dan akurasi diagnosis masih menjadi tantangan. Penelitian ini mengembangkan model Convolutional Neural Network (CNN) untuk mendeteksi katarak dengan akurasi tinggi melalui pengujian hyperparameter. Model CNN dirancang untuk klasifikasi biner menggunakan dataset sebanyak 600 citra mata dari Kaggle, terdiri dari 300 citra normal dan 300 citra katarak. Data diproses dengan resizing menjadi 224×224 piksel dan augmentasi menggunakan ImageDataGenerator. Arsitektur model mencakup tiga convolutional layer, tiga pooling layer, dan dua fully connected layer. Pelatihan dilakukan menggunakan 5-Fold Cross-Validation dan optimasi hyperparameter, meliputi optimizer Adam dan RMSprop, learning rate 0.001 dan 0.0001, batch size 32 dan 64, serta epoch 10, 30, dan 50. Kombinasi terbaik ditemukan dengan optimizer Adam, learning rate 0.001, batch size 32, dan 50 epoch, menghasilkan akurasi pelatihan sebesar 95.7% dan akurasi validasi 94.9%. Evaluasi model pada data pengujian menunjukkan akurasi sebesar 97.27%, precision 94.83%, recall 100%, dan F1-score 97.35%, dengan hanya tiga kesalahan prediksi dari 110 data uji. Penelitian ini menunjukkan potensi besar CNN untuk deteksi dini katarak, yang dapat mendukung sistem diagnostik medis yang lebih cepat dan akurat.