Penerapan Arsitektur EfficientNetB0 pada Model Convolutional Neural Network untuk Deteksi Dini Mata Katarak
DOI:
https://doi.org/10.24114/cess.v10i2.66913Keywords:
EfficientNetB0, cataract detection, CNN, Deep Learning, streamlitAbstract
Katarak merupakan penyebab utama kebutaan di dunia, terutama pada lansia, dan dapat dicegah jika terdeteksi secara dini. Dengan kemajuan teknologi kecerdasan buatan, deteksi katarak kini dapat dilakukan melalui pengolahan citra mata secara otomatis. Penelitian ini mengusulkan penerapan arsitektur EfficientNetB0 sebagai model klasifikasi gambar mata untuk membedakan antara mata normal dan mata yang terindikasi katarak. Dataset yang digunakan terdiri dari 612 gambar yang diperoleh dari Kaggle, dengan dua kelas yaitu normal dan katarak. Model dikembangkan menggunakan teknik transfer learning dan dilatih selama 15 epoch. Evaluasi kinerja klasifikasi dilakukan dengan memanfaatkan confusion matrix dan classification report dengan menghitung metrik akurasi, presisi, recall, dan f1-score. Pada pengujian model yang telah dibuat mendapatkan hasil tingkat performa model yang tinggi, ditandai dengan akurasi 98% serta skor precision, recall, dan f1-score yang sama-sama mencapai 0,98 untuk kedua kelas. Untuk penerapan praktis, model diintegrasikan ke dalam aplikasi berbasis web menggunakan Streamlit agar dapat digunakan secara langsung oleh pengguna. Hasil penelitian ini menunjukkan bahwa EfficientNetB0 merupakan arsitektur yang efisien dan andal dalam mendeteksi katarak secara otomatis melalui citra mata.References
[1] F. N. Cahya, N. Hardi, D. Riana, dan S. Hadiyanti, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN),” SISTEMASI, vol. 10, no. 3, hlm. 618, Sep 2021, doi: 10.32520/stmsi.v10i3.1248.
[2] A. Wulandari, R. R. M. Putri, dan A. S. Budi, “Implementasi Algoritma Xception pada Sistem Deteksi Katarak Menggunakan Raspberry Pi Berbasis Citra Mata”.
[3] R. E. Mulyani, M. R. Erfiyanto, F. R. P. Pratama, T. Dimas, dan M. F. Hidayattullah, “Penerapan Algoritma Convolutional Neural Network (CNN) Deteksi Kesehatan Mata”.
[4] F. Ramadhani, A. Satria, dan S. Salamah, “Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak,” Sudo J. Tek. Inform., vol. 2, no. 4, hlm. 167–175, Des 2023, doi: 10.56211/sudo.v2i4.408.
[5] R. Sidik, E. Nuryani, dan P. H. Winasis, “Rancang Bangun Sistem Deteksi Katarak Menggunakan Metode Convolutional Neural Network,” vol. 7, no. 1, 2025.
[6] Z. Arif, R. Y. Nur Fu’adah, S. Rizal, dan D. Ilhamdi, “Classification of eye diseases in fundus images using Convolutional Neural Network (CNN) method with EfficientNet architecture,” JRTI J. Ris. Tindakan Indones., vol. 8, no. 1, hlm. 125, Jul 2023, doi: 10.29210/30032835000.
[7] E. C. Yaurentius, T. R. D. Saputri, E. Tanuwijaya, dan R. E. Sutanto, “Comparative Study of CNN-Based Architectures on Eye Diseases Classification Using Fundus Images to Aid Ophthalmologist,” J. Tek. Inform. Jutif, vol. 6, no. 1, hlm. 249–257, Feb 2025, doi: 10.52436/1.jutif.2025.6.1.3699.
[8] W. R. Perdani, R. Magdalena, dan N. K. Caecar Pratiwi, “Deep Learning untuk Klasifikasi Glaukoma dengan menggunakan Arsitektur EfficientNet,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 2, hlm. 322, Apr 2022, doi: 10.26760/elkomika.v10i2.322.
[9] P. Eko Niti Taruno, G. Satya Nugraha, R. Dwiyansaputra, dan F. Bimantoro, “Monkeypox Classification based on Skin Images using CNN: EfficientNet-B0,” E3S Web Conf., vol. 465, hlm. 02031, 2023, doi: 10.1051/e3sconf/202346502031.
[10] D. Saputra dan T. Y. Hadiwandra, “Classification Of Letters And Numbers In Bisindo Using The Convolutional Neural Network Method,” 2024.
[11] C. A. Putri dan S. Rakasiwi, “Diagnosis Dini Penyakit Mata: Klasifikasi Citra Fundus Retina dengan Convolutional Neural Network VGG-16,” Edumatic J. Pendidik. Inform., vol. 9, no. 1, hlm. 208–216, Apr 2025, doi: 10.29408/edumatic.v9i1.29571.
[12] C. R. Mulyasari, A. I. Hadiana, dan A. Komarudin, “Deteksi Penyakit Diabetes, Katarak dan Glaukoma Pada Citra Fundus Retina Mata Manusia Menggunakan CNN Dengan Arsitektur Alexnet”.
[13] A. Rusdy Prasetyo, Sussi, dan B. Aditya, “Analisis Perbandingan Algoritma Support Vector Machine (SVM) Dan Convolutional Neural Network (CNN) Untuk Sistem Deteksi Katarak,” J. Ilm. Tek. Mesin Elektro Dan Komput., vol. 3, no. 1, hlm. 1–10, Mar 2023, doi: 10.51903/juritek.v3i1.604.
[14] I. Santoso, A. M. Manurung, dan E. R. Subhiyakto, “Comparison of ResNet-50, EfficientNet-B1, and VGG-16 Algorithms for Cataract Eye Image Classification,” vol. 9, no. 2.
[15] A. A. Pratama dan F. Utaminingrum, “Sistem Pendeteksi Tingkat Keparahan Katarak Berdasarkan Citra Digital Menggunakan Metode U-Net dan CNN”.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 CESS (Journal of Computer Engineering, System and Science)
This work is licensed under a Creative Commons Attribution 4.0 International License.
