ANALISIS PERFORMA METODE TRANSFER LEARNING DALAM DETEKSI KATARAK DENGAN MENGGUNAKAN MOBILENETV2 DAN RESNET50V2

NURI IMAN SARI. Analisis Performa Metode Transfer Learning dalam Deteksi
Katarak dengan Menggunakan MobileNetV2 dan ResNet50V2, dibimbing oleh IR.
NOUVAL TREZANDY LAPATA S.KOM., M.KOM. Mata salah satu panca
indera terpenting bagi manusia yang berfungsi untuk menangkap cahaya melalui
lensa dan meneruskannya ke retina untuk diubah menjadi sinyal visual. Apabila
terjadi gangguan penglihatan seperti katarak, maka kualitas hidup seseorang dapat
menurun hingga menghambat kemampuan dalam melakukan pekerjaan yang
membutuhkan ketelitian visual. Katarak merupakan kondisi yang ditandai dengan
penurunan fungsi penglihatan akibat kekeruhan pada lensa mata. Katarak masih
menjadi penyebab utama kebutaan di Indonesia maupun dunia. Proses diagnosis
konvensional yang bergantung pada pemeriksaan langsung tenaga medis belum
mampu menjangkau wilayah dengan keterbatasan fasilitas. Penelitian ini
memanfaatkan teknologi deep learning untuk mendeteksi katarak melalui analisis
citra mata secara otomatis. Dua arsitektur Convolutional Neural Network, yakni
MobileNetV2 dan ResNet50V2, dibandingkan menggunakan pendekatan transfer
learning dengan tiga rasio pembagian data (80:20, 70:30, dan 60:40) serta evaluasi
k-fold cross-validation untuk memvalidasi konsistensi performa model pada
berbagai pembagian data pelatihan dan validasi. Hasil menunjukkan bahwa
ResNet50V2 pada rasio 80:20 (fold ke-4) menghasilkan akurasi validasi tertinggi
sebesar 99,66?n binary cross-entropy loss 4,33%, meskipun membutuhkan
waktu pelatihan lebih lama dibandingkan MobileNetV2. Model terbaik
diimplementasikan dalam sistem CataractEye, aplikasi berbasis web untuk deteksi
katarak otomatis. Penelitian ini membuktikan bahwa transfer learning dengan
arsitektur ResNet50V2 efektif dalam mendeteksi katarak berbasis citra mata dengan
akurasi tinggi dan efisiensi komputasi yang baik.
Kata kunci: Katarak, Deep Learning, Transfer Learning, ResNet50V2,
MobileNetV2.