<![CDATA[Katarak adalah penyebab utama kebutaan di seluruh dunia, khususnya katarak senilis ketika kondisi mata mengalami kekeruhan yang terjadi seiring bertambahnya usia. Deteksi dini sangat penting dalam mencegah kebutaan permanen. Akses terbatas terhadap tenaga medis dan peralatan yang mahal merupakan kendala yang dapat menghambat pemeriksaan dini di daerah terpencil. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi tingkat stadium katarak menggunakan metode Convolutional Neural Network (CNN), yang diimplementasikan pada perangkat Raspberry Pi 4 sebagai solusi komputasi mini yang efisien dan terjangkau. Sistem ini beroperasi dengan mengambil gambar mata menggunakan kamera USB, melakukan pre-processing, dan mengekstraksi fitur melalui arsitektur CNN untuk mengklasifikasikan tingkat stadium katarak, terutama pada stadium imatur dan matur. Model CNN dilatih menggunakan data yang sudah di augmentasi menggunakan Google Colab dan Roboflow untuk meningkatkan kemampuan generalisasi, kemudian dioptimalkan agar dapatberjalan secara real-time di perangkatedge computing. Hasil penelitian menunjukkanbahwapenerapanmetodeCNNpada RaspberryPi4dapatmencapai akurasi hingga 85,00% dengan waktu komputasi rata-rata 0,0423 detik per citra. Pengujian menemumakan bahwa variasi jarak pengambilan citra dan penggunaan kacamata dapat mempengaruhi akurasi dan kinerja sistem. Namun, dengan keunggulan berupa portabilitas dan kemampuan beroperasi secara offline, sistem ini berpotensi menjadisolusi deteksi dinikatarak yang efektif khususnya di wilayah dengan keterbatasan sarana layanan kesehatan guna mengurangi angka kebutaan.]]>
Copyrights © 2026
