Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal InComTech: Jurnal Telekomunikasi dan Komputer JOURNAL OF APPLIED INFORMATICS AND COMPUTING
Rizaqi, Hanif
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : InComTech: Jurnal Telekomunikasi dan Komputer

 1 
Analisis Performa Model Deep Learning dalam Deteksi Penyakit Mata: Studi CNN, RNN, dan FNN Rizaqi, Hanif; Tahyudin, Imam
InComTech : Jurnal Telekomunikasi dan Komputer Vol 15, No 2 (2025)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v15i2.31261

Abstract

Penyakit mata menjadi salah satu penyebab utama gangguan penglihatan yang dapat mengarah pada kebutaan permanen jika tidak ditangani dengan baik. Beberapa penyakit mata yang sering terjadi antara lain katarak, glaukoma, dan retinopati diabetik. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit mata berbasis citra menggunakan tiga metode deep learning, yaitu Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), dan Feedforward Neural Network (FNN). Dataset yang digunakan dalam penelitian ini terdiri dari 4.217 citra, yang diproses melalui tahapan preprocessing yang mencakup pembagian data menjadi tiga kelompok: pelatihan (training), validasi, dan pengujian (testing). Selanjutnya, citra tersebut melalui tahap resizing dan normalisasi untuk meningkatkan kualitas data yang digunakan dalam pelatihan model. Model-model yang dikembangkan kemudian dilatih menggunakan teknik Early Stopping untuk mencegah overfitting dan mengoptimalkan performa. Berdasarkan hasil evaluasi, model CNN menunjukkan performa terbaik dengan akurasi uji sebesar 85% dan nilai loss 0, 3841, mengungguli RNN yang memiliki akurasi 83% dan FNN dengan akurasi 78%. Selain itu, analisis menggunakan Confusion Matrix menunjukkan bahwa CNN lebih unggul dalam menangkap fitur spasial pada citra dibandingkan model lainnya. Implementasi model dilakukan dalam aplikasi web berbasis Flask untuk memprediksi penyakit mata berdasarkan citra yang diunggah pengguna. Penelitian lanjutan dapat meningkatkan akurasi model dengan menerapkan transfer learning menggunakan model pretrained yang lebih kompleks.
Co-Authors Imam Tahyudin