Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi
Zakita, Asyer Pradana Putra
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Model Transfer Learning InceptionV3 dan ResNet50 untuk Klasifikasi Penyakit Mata pada Citra Retina Oktavian, Jaguar Deva Nanggalasakti; Arishandy, Zalfa Ibtisamah; Zakita, Asyer Pradana Putra; Muttaqin, Faisal
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 5 No. 6 (2025): EduTIK : Desember 2025
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit mata seperti retinopati diabetik, glaukoma, dan katarak merupakan penyebab utama gangguan penglihatan global yang memerlukan deteksi dini untuk mencegah kerusakan permanen. Mengingat keterbatasan jumlah spesialis mata, pengembangan sistem diagnosis otomatis berbasis kecerdasan buatan menjadi solusi krusial untuk efisiensi skrining medis. Penelitian ini bertujuan untuk melakukan studi komparatif antara dua arsitektur Transfer Learning populer, yaitu InceptionV3 dan ResNet50, guna menentukan model yang paling optimal dalam mengklasifikasikan penyakit mata melalui citra retina. Dataset yang digunakan terdiri dari 4.217 citra fundus retina yang terbagi ke dalam empat kelas: Cataract, Diabetic Retinopathy, Glaucoma, dan Normal, dengan penerapan teknik augmentasi data untuk meningkatkan generalisasi model. Melalui serangkaian eksperimen terkontrol, hasil evaluasi menunjukkan bahwa arsitektur ResNet50 memiliki performa yang lebih unggul dibandingkan InceptionV3. ResNet50 berhasil mencapai tingkat akurasi sebesar 90% dengan nilai precision, recall, dan F1-score yang stabil di angka 0.90, sedangkan InceptionV3 mencatatkan akurasi sebesar 84%. Berdasarkan stabilitas pelatihan dan kemampuan generalisasi data, ResNet50 direkomendasikan sebagai arsitektur yang lebih andal untuk implementasi sistem deteksi dini penyakit mata pada citra retina.
Co-Authors Arishandy, Zalfa Ibtisamah Muttaqin, Faisal Oktavian, Jaguar Deva Nanggalasakti