SKRIPSI IF

ANALISIS KINERJA MODEL MOBILENET BERBASIS CNN DALAM KLASIFIKASI KATARAK PADA CITRA MATA

---

ABSTRAK

Kebutaan masih menjadi ancaman serius di Indonesia, terutama seiring dengan bertambahnya populasi lanjut usia. Salah satu penyebab utamanya adalah katarak. Penggunaan deep learning, dimanfaatkan dalam bidang kesehatan untuk membantu proses deteksi penyakit, termasuk katarak. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur Convolutional Neural Network (CNN) MobileNet dalam mendeteksi katarak. Fokus utama penelitian ini adalah mengevaluasi kemampuan model dalam mengidentifikasi katarak secara akurat. Dataset citra mata diperoleh dari Kaggle.com dan diolah menggunakan framework OSEMN (Obtain, Scrub, Explore, Model, iNterpret). Proses pelatihan dilakukan dengan menguji beberapa skenario input shape, learning rate, dan jumlah epoch untuk memperoleh konfigurasi terbaik. Hasil penelitian menunjukan bahwa konfigurasi optimal diperoleh pada input shape 224x224 piksel, learning rate 0.0001, dan jumlah epoch 50, dengan pembagian data 8346 citra untuk pelatihan, 1031 citra untuk pengujian, dan 1031 citra untuk validasi. Model CNN terbaik pada penelitian ini mencapai tingkat akurasi sebesar 97.58% dalam klasifikasi citra mata katarak, yang mengindikasikan bahwa arsitektur ini memiliki potensi yang sangat baik untuk digunakan sebagai sistem pendukung diagnosis katarak berbasis citra.

Kata Kunci: CNN, MobileNet, katarak, citra mata, klasifikasi citra


ABSTRACT

Blindness remains a serious threat in Indonesia, especially as the elderly population grows. One of the main causes is cataracts. Deep learning is being utilized in the healthcare sector to aid in the detection of diseases, including cataracts. This study aims to analyze the performance of the Convolutional Neural Network (CNN) MobileNet architecture in detecting cataracts from eye images. The main focus is to evaluate the model's capability to accurately identify cataracts. The eye image dataset was obtained from Kaggle.com and processed using the OSEMN framework (Obtain, Scrub, Explore, Model, Interpret). The training process involved testing multiple scenarios of input shapes, learning rates, and the number of epochs to determine the optimal model configuration. The results show that the optimal configuration was achieved with an input shape of 224×224 pixels, a learning rate of 0.0001, and 50 epochs, with data split into 8,346 images for training, 1,031 images for testing, and 1,031 images for validation. The best CNN MobileNet model in this study achieved an accuracy of 97.58% in classifying cataract eye images, indicating that this architecture has strong potential to be used as an image-based cataract diagnosis support system.

Keywords: CNN, MobileNet, cataract, eye image

---

Ketersediaan

S250930002

607.2 FAJ a

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 FAJ a

Penerbit

: ., 2025

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

-

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment