Tahun Penelitian: 2024
Katarak merupakan penyebab utama gangguan penglihatan dan kebutaan di dunia, dengan lebih dari 1,3 miliar penduduk dunia mengalami gangguan penglihatan menurut data World Health Organization (WHO). Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi dini penyakit katarak secara otomatis berdasarkan citra fundus mata digital dengan memanfaatkan kombinasi metode ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM) dan Artificial Neural Network (ANN), yang dioptimalkan melalui proses hyperparameter tuning. Metode penelitian meliputi pengumpulan 400 citra fundus mata dari platform Kaggle (300 Normal, 100 Cataract), prapemrosesan (pembagian data 80:20, augmentasi rotasi -3 derajat dan +3 derajat sehingga menjadi 600 citra seimbang, serta resize citra menjadi 256 piksel), segmentasi area fundus menggunakan Hough Circle Transform, ekstraksi fitur tekstur (contrast, correlation, homogeneity, energy) menggunakan GLCM, klasifikasi menggunakan ANN, empat tahap hyperparameter tuning, evaluasi kinerja model, serta perancangan antarmuka dan deployment aplikasi web. Hasil penelitian menunjukkan bahwa model awal (sebelum tuning) mencapai akurasi 0,83, presisi 0,83, recall 0,83, F1-score 0,83, dan AUC 0,92. Melalui empat tahap hyperparameter tuning, kinerja model meningkat secara bertahap hingga mencapai hasil terbaik pada tuning keempat dengan akurasi 0,90, presisi 0,92, recall 0,89, F1-score 0,90, dan AUC 0,94. Model machine learning yang dihasilkan telah berhasil diimplementasikan ke dalam purwarupa aplikasi web menggunakan Flask dan ngrok,
sehingga dapat diakses dan digunakan secara daring sebagai alat bantu skrining awal katarak.