DETEKSI PENYAKIT GLAUKOMA PADA CITRA FUNDUS RETINA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
DOI:
https://doi.org/10.31539/g5sztt66Abstract
Penelitian ini membahas mengenai deteksi penyakit glaukoma pada citra fundus retina secara otomatis menggunakan metode Convolutional Neural Network dengan pendekatan transfer learning dan fine-tuning pada arsitektur EfficientNetB0, dan menggunakan dataset dari Standardized Multi-Channel Dataset for Glaucoma (SMDG-19) dengan total 12.316 citra fundus retina beresolusi 512×512 piksel. Proses penelitian ini meliputi tahap preprocessing berupa resizing, rescaling serta data augmentation untuk meningkatkan variasi dan mengurangi overfitting. Model ini dilatih dengan Adam optimizer. Hasil pelatihan menunjukkan akurasi validasi mencapai 89,02% dan evaluasi pada data uji menghasilkan akurasi 87,29%, presisi 87,04%, recall 78,04% dan F1-Score sebesar 82,54%. Hasil ini menunjukkan bahwa metode CNN dengan arsitektur EfficientNetB0 mampu mendeteksi glaukoma secara efektif dan berpotensi digunakan sebagai sistem pendukung diagnosis dini yang akurat di bidang oftalmologi.
Kata Kunci: Glaukoma, Citra Fundus Retina, Convolutional Neural Network, EfficientNetB0, Transfer Learning
References
Arif, Z., et al. (2023). Classification of eye diseases in fundus images using convolutional neural network (CNN) method with EfficientNet architecture. JRTI (Jurnal Riset Tindakan Indonesia), 8(1), 125–131.
Cahya, F. N., Hardi, N., Riana, D., & Hadiyanti, S. (2021). Klasifikasi penyakit mata menggunakan convolutional neural network (CNN). Sistemasi: Jurnal Sistem Informasi, 10(3), 378–389.
Chakravarty, A., & Sivaswamy, J. (2016). Glaucoma classification with a fusion of segmentation and image-based features. Computerized Medical Imaging and Graphics, 55, 28–41.
Firdaus, D. H., Imran, B., Bakti, L. D., & Suryadi, E. (2022). Klasifikasi penyakit katarak berdasarkan citra menggunakan metode convolutional neural network (CNN) berbasis web. Jurnal Kecerdasan Buatan dan Teknologi Informasi, 1(3), 18–26.
Fuadah, Y. N., et al. (2022). Glaucoma classification based on fundus images processing with convolutional neural network. Jurnal Teknik Informatika (JUTIF), 3(3), 717–722.
Indraswari, R., Herulambang, W., & Rokhana, R. (2022). Deteksi penyakit mata pada citra fundus menggunakan convolutional neural network (CNN). Techno.COM, 21(2), 378–389.
Islami, F., Sumijan, & Defit, S. (2024). Penerapan convolutional neural network untuk klasifikasi citra retina. JPPIPA: Jurnal Penelitian Pendidikan IPA, 10(8), 4606–4613.
Mehta, P., et al. (2021). Automated detection of glaucoma with interpretable machine learning using clinical data and multimodal retinal images. American Journal of Ophthalmology, 231, 154–169.
Mulyani, R. E., et al. (2024). Penerapan algoritma convolutional neural network (CNN) deteksi kesehatan mata. Jurnal Ilmiah Informatika, 9(2), 142–155.
Mulyasari, C. R., Hadiana, A. I., & Komarudin, A. (2024). Deteksi penyakit diabetes, katarak dan glaukoma pada citra fundus retina mata manusia menggunakan CNN dengan arsitektur AlexNet. JUMANJI, 8(1), 53–68.
Nairda, D. P., & Suyanto. (2023). Klasifikasi keparahan penyakit glaukoma pada citra fundus retina dengan deep k-nearest neighbor dan CNN. e-Proceedings of Engineering, 10(6), 5404–5410.
Niati, E., & Sitohang, S. (2022). Sistem pakar diagnosa penyakit mata glaukoma dengan metode teorema Bayes. Computer and Science Industrial Engineering (COMASIE), 7(5), 117–124.
Qulub, M. S., & Agustin, S. (2024). Identifikasi penyakit mata dengan klasifikasi citra foto fundus menggunakan convolutional neural network. JATI (Jurnal Mahasiswa Teknik Informatika), 8(5), 11034–11039
Tham, Y.-C., et al. (2014). Global prevalence of glaucoma and projections of glaucoma burden through 2040. Ophthalmology, 121(11), 2081–2090.
Weinreb, R. N., Aung, T., & Medeiros, F. A. (2014). The pathophysiology and treatment of glaucoma: A review. JAMA, 311(18), 1901–1911.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Rheyna Atalya Setiadi, Magdalena A. Ineke Pakereng

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

