Analisis Performa Model Deep Learning dalam Deteksi Penyakit Mata: Studi CNN, RNN, dan FNN

Abstract

Penyakit mata menjadi salah satu penyebab utama gangguan penglihatan yang dapat mengarah pada kebutaan permanen jika tidak ditangani dengan baik. Beberapa penyakit mata yang sering terjadi antara lain katarak, glaukoma, dan retinopati diabetik. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit mata berbasis citra menggunakan tiga metode deep learning, yaitu Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), dan Feedforward Neural Network (FNN). Dataset yang digunakan dalam penelitian ini terdiri dari 4.217 citra, yang diproses melalui tahapan preprocessing yang mencakup pembagian data menjadi tiga kelompok: pelatihan (training), validasi, dan pengujian (testing). Selanjutnya, citra tersebut melalui tahap resizing dan normalisasi untuk meningkatkan kualitas data yang digunakan dalam pelatihan model. Model-model yang dikembangkan kemudian dilatih menggunakan teknik Early Stopping untuk mencegah overfitting dan mengoptimalkan performa. Berdasarkan hasil evaluasi, model CNN menunjukkan performa terbaik dengan akurasi uji sebesar 85% dan nilai loss 0, 3841, mengungguli RNN yang memiliki akurasi 83% dan FNN dengan akurasi 78%. Selain itu, analisis menggunakan Confusion Matrix menunjukkan bahwa CNN lebih unggul dalam menangkap fitur spasial pada citra dibandingkan model lainnya. Implementasi model dilakukan dalam aplikasi web berbasis Flask untuk memprediksi penyakit mata berdasarkan citra yang diunggah pengguna. Penelitian lanjutan dapat meningkatkan akurasi model dengan menerapkan transfer learning menggunakan model pretrained yang lebih kompleks.