<![CDATA[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.]]>
Copyrights © 2025
