PEMANFAATAN ARSITEKTUR MOBILENETV2 UNTUK DETEKSI DAN KLASIFIKASI PENYAKIT KATARAK

Abstract

Katarak merupakan salah satu penyebab utama gangguan penglihatan dan kebutaan global, sehingga deteksi dini menjadi sangat krusial untuk mencegah penurunan fungsi penglihatan yang lebih parah. Namun, keterbatasan infrastruktur komputasi dan tenaga ahli medis di daerah urban maupun terpencil sering kali menjadi hambatan dalam proses skrining awal. Penelitian ini mengusulkan sebuah sistem klasifikasi fase katarak senilis yang efisien menggunakan arsitektur jaringan saraf konvolusional ringan berbasis MobileNet melalui pendekatan transfer learning. Dataset asli yang digunakan berjumlah 1.500 citra, terbagi rata ke dalam tiga kategori (Normal, Immature, dan Mature Cataract) masing-masing 500 citra. Sebanyak 375 citra asli (125 citra per kelas) dipisahkan sejak awal sebagai set pengujian independen yang sepenuhnya steril dari augmentasi, sementara sisa data latih diperkaya melalui teknik augmentasi citra menggunakan pustaka Albumentations hingga mencapai total 15.000 citra latih (5.000 citra per kelas) guna mengatasi keterbatasan sampel medis dan meredam risiko overfitting. Hasil eksperimen menunjukkan kinerja pemodelan yang sangat unggul dengan dengan akurasi sebesar 97,33%, presisi rata-rata (macro) 97,36%, sensitivitas (recall) rata-rata 97,33%, serta skor F1 makro sebesar 97,32%. Karakteristik arsitektur yang ringan namun memiliki akurasi tinggi ini menunjukkan potensi menjanjikan untuk diadopsi sebagai instrumen penapisan awal medis pada perangkat bersumber daya komputasi terbatas