<![CDATA[Gangguan pada mata merupakan salah satu isu serius dalam bidang kesehatan secara global yang dapat mengakibatkan penurunan kualitas hidup hingga kebutaan permanen. Deteksi dini terhadap penyakit mata seperti glaucoma, diabetic retinopathy, age related macular degeneration, cataract, myopia, dan hypertension. sangat penting untuk mencegah terjadinya komplikasi yang lebih serius. Penelitian ini bertujuan untuk merancang model klasifikasi untuk citra fundus mata menggunakan pendekatan transfer learning dengan arsitektur VGG-16. Dataset yang digunakan adalah ODIR-5K, yang mencakup delapan kelas penyakit mata. Tahapan penelitian meliputi preprocessing gambar, augmentasi data, penyeimbangan kelas menggunakan SMOTE, dan pelatihan model CNN. Proses pelatihan dilakukan sebanyak 80 epoch dengan kombinasi freezing layer, fine-tuning, dan hyperparameter tuning. Evaluasi model dilakukan dengan penggunaan dari metrik akurasi, precision, recall, F1-score, confusion matrix, dan kurva ROC AUC. Hasil menunjukkan bahwa model yang dikembangkan memiliki akurasi sebesar 89% dibandingkan dengan penelitian sebelumnya yang hanya 45%, dengan nilai macro average F1-score sebesar 0.89. Model menunjukkan performa yang sangat baik pada kelas seperti Hypertension, Glaucoma, dan Myopia, namun masih terdapat tantangan pada kelas Diabetes dan Normal. Dengan demikian, pendekatan VGG-16 terbukti efektif untuk klasifikasi multi-kelas citra fundus, dan hasil daripada penelitian yang dilakukan dapat menjadi landasan awal untuk pengembangan sistem bantu diagnosis menggunakan deep learning untuk bidang oftalmologi.]]>
Copyrights © 2026
