Klasifikasi Citra Fundus Penyakit Katarak Menggunakan Convolutional Neural Network Berbasis Website 

Latar Belakang. Katarak adalah penyebab utama gangguan penglihatan global yang mempengaruhi sekitar 94 juta dari 2,2 miliar penderita pada tahun 2023 menurut WHO. Deteksi dini dan klasifikasi akurat sangat penting untuk pengobatan efektif. Convolutional Neural Networks (CNN) menunjukkan potensi besar dalam analisis citra medis, termasuk klasifikasi citra fundus. Citra fundus memberikan gambar yang lebih detail dan jelas dibandingkan dengan citra lainnya. Ketika seseorang menderita katarak maka akan mengalami kekeruhan lensa, menghalangi cahaya dan menghasilkan gambar fundus yang keruh. Tujuan. Penelitian ini bertujuan mengembangkan sistem klasifikasi citra fundus katarak menggunakan CNN berbasis website untuk mendukung diagnostik klinis dan meningkatkan aksesibilitas layanan kesehatan. Selain itu, penelitian ini juga bertujuan untuk mengukur performa dari sistem yang telah dibuat melalui lima skenario terkait dengan tuning hyperparameter. Metode. Metode meliputi pengumpulan dan pra-pemrosesan data, pelatihan model CNN, dan implementasi sistem menggunakan Flask. Data berasal dari Rumah Sakit Mata Makassar dan dataset publik, dengan augmentasi data untuk mengatasi ketidakseimbangan kelas. Hasil. Sistem berhasil dikembangkan dengan tingkat akurasi yang tinggi dalam klasifikasi penyakit katarak menjadi lima kelas: katarak imatur, katarak subkapsular, katarak lainnya, normal, dan bukan katarak. Implementasi pada website memungkinkan tenaga medis untuk mengunggah citra fundus dan mendapatkan hasil klasifikasinya. Kesimpulan. Model CNN terbaik berhasil diidentifikasi dengan menggunakan tiga lapisan konvolusi, learning rate sebesar 0.0001, batch size 8, optimizer Adam, dan epoch 100. Akurasi dari model ini mencapai 96% pada data validasi dan 98% pada data testing.