<![CDATA[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.]]>
Copyrights © 2025
