IMPLEMENTASI MODEL CONVOLUTIONAL NEURAL NETWORK BERBASIS ARSITEKTUR RESNET50 UNTUK KLASIFIKASI PADA PENYAKIT MATA DARI CITRA FUNDUS RETINA

Abstract

Kondisi mata seperti katarak, glaukoma, dan retinopati diabetik merupakan penyebab utama kebutaan di dunia. Deteksi dini melalui analisis citra fundus retina sangat penting untuk mencegah komplikasi lebih lanjut. Studi ini merancang sistem klasifikasi penyakit mata berbasis citra retina menggunakan arsitektur Convolutional Neural Network (CNN) ResNet50 dengan pendekatan transfer learning. Dataset yang digunakan berasal dari Kaggle, berjumlah 4.217 citra fundus, dan diklasifikasikan ke dalam empat kategori: normal, katarak, glaukoma, dan retinopati diabetik. Proses pelatihan dilakukan dengan rasio data 80:10:10 untuk training, validasi, dan pengujian. Hasil evaluasi menunjukkan performa tinggi dengan akurasi keseluruhan mencapai 94%, didukung oleh nilai precision, recall, dan F1-score yang optimal, khususnya pada kelas diabetic retinopathy dengan hasil sempurna (1.00). Meskipun demikian, kelas glaukoma masih menghadapi kesulitan klasifikasi akibat kemiripan visual dengan kelas normal. Kontribusi utama penelitian ini terletak pada implementasi ResNet50 yang terbukti efektif dalam mendeteksi penyakit mata berbasis citra fundus secara otomatis, sekaligus memberikan dasar ilmiah untuk pengembangan sistem pendukung keputusan klinis di bidang oftalmologi. Dengan demikian, studi ini tidak hanya menunjukkan keandalan model deep learning dalam diagnosis medis, tetapi juga membuka peluang penerapan lebih luas pada deteksi dini penyakit mata untuk meningkatkan kualitas layanan kesehatan.