KLASIFIKASI PENYAKIT MATA MANUSIA PADA CITRA FUNDUS RETINA MENGGUNAKAN SIMPLE CNN ARCHITECTURE

Abstract

Berdasarkan data World Health Organization (WHO), terdapat sekitar 18 juta orang di dunia yang mengalami kebutaan, sehingga deteksi dini gangguan mata menjadi langkah penting untuk membantu penanganan yang lebih cepat dan tepat. Namun, proses diagnosis penyakit mata umumnya masih dilakukan melalui rangkaian pemeriksaan manual, yang berisiko memunculkan human error dan membutuhkan waktu relatif lebih lama. Penelitian ini mengusulkan pendekatan Simple Convolutional Neural Network (Simple CNN) dengan dropout variatif pada setiap lapisan (0,2–0,5) untuk menekan overfitting dan meningkatkan kinerja klasifikasi citra fundus retina. Model dilatih menggunakan hyperparameter Adam optimizer, ReLU activation function, batch size 32, dan epoch 100, lalu dibandingkan dengan model CNN lain yang diuji pada dataset fundus retina dari Kaggle berisi 4.000 citra (.jpg) dengan empat kelas (normal, katarak, glaukoma, dan retinopati diabetik). Hasil evaluasi menunjukkan bahwa arsitektur Simple CNN dengan dropout variatif memberikan performa terbaik dibandingkan model pembanding, dengan akurasi 87,96%, precision 88,03%, recall 87,96%, dan F1-score 87,99%. Temuan ini mengindikasikan bahwa rancangan Simple CNN yang sederhana namun teratur melalui strategi dropout bertingkat berpotensi menjadi pendekatan yang efektif untuk membantu proses klasifikasi penyakit mata berbasis citra fundus retina.

Kata Kunci: klasifikasi, penyakit mata, simple CNN, akurasi.