<![CDATA[Katarak merupakan penyebab utama kebutaan global yang memerlukan solusi deteksi dini yang efisien, murah, dan mudah diakses. Tujuan Penelitian ini bertujuan mengembangkan sistem klasifikasi katarak end-to-end yang diimplementasikan pada perangkat mobile untuk skrining mandiri. Metode Pendekatan Deep Learning berbasis Convolutional Neural Network (CNN) diterapkan dengan membandingkan dua arsitektur CNN Kustom dan MobileNetV3Small. Proses diawali dengan pra-pemrosesan citra menggunakan teknik cropping ROI (Region of Interest) pupil otomatis melalui fungsi crop_pupil() yang mengintegrasikan Gaussian blur, thresholding, dan contour detection. Hasil Berdasarkan pengujian menggunakan dataset yang dibagi menjadi 80% data latih dan 20% data validasi, model CNN Kustom menunjukkan performa terbaik dengan akurasi 91,61% dan F1-score 91,59% pada epoch ke-33. Implementasi model ke dalam aplikasi berbasis Flutter menggunakan format TensorFlow Lite menghasilkan latensi inferensi rata-rata 50 ms per citra. Kesimpulan Penelitian ini membuktikan bahwa integrasi metode pra-pemrosesan pupil dan arsitektur CNN yang ringan efektif digunakan untuk deteksi katarak berbasis mobile dengan keseimbangan akurasi dan kecepatan yang optimal.]]>
Copyrights © 2026
