DETEKSI KATARAK BERDASARKAN CITRA DIGITAL MENGGUNAKAN MODEL CATARACTNET

Katarak merupakan penyebab utama kebutaan yang dapat dideteksi melalui analisis citra digital. Penelitian ini bertujuan mendeteksi katarak dengan cara mengklasifikasikan citra digital mata normal dan katarak menggunakan model CataractNet yang merupakan arsitektur Convolutional Neural Network (CNN) ringan. Dataset awal terdiri dari 612 citra digital kamera yang diperluas menjadi 2.564 citra melalui proses augmentasi. Tahapan preprocessing meliputi resize, normalisasi, dan augmentasi data, sementara pelatihan dilakukan menggunakan Adam optimizer dengan konfigurasi hyperparameter yang diperoleh melalui grid search. Evaluasi performa model dilakukan menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model CataractNet dengan augmentasi data mampu mencapai akurasi 96,77%, precision 100%, recall 93,55%, specificity 100%, dan F1-score 96,67%. Sebagai perbandingan, model tanpa augmentasi hanya mencapai akurasi 91,94%. Ini membuktikan bahwa augmentasi data dan optimasi hyperparameter berperan penting dalam meningkatkan stabilitas pelatihan dan kemampuan generalisasi model. Masih terdapat beberapa dataset katarak yang terdeteksi normal dikarenakan tingkat kekeruhan rendah. Penelitian selanjutnya disarankan untuk memperluas variasi dataset, serta menambahkan variasi augmentasi dengan menerapkan teknik peningkatan kontras agar model lebih adaptif terhadap kondisi citra yang beragam.

Kata kunci: Augmentasi Data, CataractNet, Citra Digital, Convolutional Neural Network (CNN), Katarak