Analisa Pengaruh Augmentasi Terhadap Akurasi CNN Dalam Klasifikasi Mata Normal dan Katarak
Keywords:
Citra Digital, Convolutional Neural Network, KatarakAbstract
Katarak merupakan penyebab utama kebutaan di seluruh dunia. Berbagai solusi dikembangkan untuk deteksi katarak melalui penerapan Convolutional Neural Network (CNN). Namun, pengembangan CNN mendatangkan tantangan seperti keterbatasan data. Augmentasi citra menjadi solusi potensial untuk mengatasi masalah ini, namun augmentasi tidak selalu memberikan pengaruh positif. Penelitian ini bertujuan menganalisis pengaruh berbagai augmentasi terhadap akurasi CNN dalam klasifikasi mata normal dan katarak. Model CNN dilatih menggunakan 498 citra fundus yang tersedia di platform Grand Challenges. Dataset terbagi menjadi kelas normal dan katarak yang didistribusikan menjadi 3 subset yaitu data latih, validasi, dan uji dengan rasio 70:15:15 pada kelas normal dan 80:10:10 pada kelas katarak. Berbagai augmentasi yang dianalisis meliputi flip, rotation, zoom, translation, contrast, brightness, hue, dan saturation. Metrik evaluasi meliputi accuracy, precision, recall, dan F1-score. Evaluasi menunjukkan augmentasi seperti rotation, zoom, dan brightness mampu meningkatkan performa model baseline dengan F1-score sebesar 94,4% yang meningkat hingga 96,15%. Sebaliknya, augmentasi hue dan saturation justru menurunkan performa model dengan F1-score terendah mencapai 50%. Analisis menunjukkan bahwa untuk meningkatkan kualitas model CNN, perlu dipertimbangkan augmentasi dan parameter yang tepat. Konfigurasi yang salah justru akan mengakibatkan efek negatif yang fatal terhadap kualitas model.
References
Al-Fahrezi, M. A. (2025). Pengaruh Augmentasi Data Terhadap Akurasi Pelatihan Model CNN untuk Klasifikasi Jenis Ikan. JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, 6(2), 177–185. https://doi.org/10.62527/jitsi.6.2.471
Gonzalez-Amador, E., Arines, J., Charlón, P., Garcia-Porta, N., Abraldes, M. J., & Acosta, E. (2022). Improvement of Retinal Images Affected by Cataracts. Photonics, 9(4). https://doi.org/10.3390/photonics9040251
Krisnawan, Y. J., & Setiawan, W. (2024). Implementasi Convolutional Neural Network (CNN) untuk Deteksi Katarak pada Citra Mata. Jurnal Ekonomi Manajemen Sistem Informasi, 6(1), 443–450. https://doi.org/10.38035/jemsi.v6i1.3066
Lapp, T., Wacker, K., Heinz, C., Maier, P., Eberwein, P., & Reinhard, T. (2023). Cataract Surgery-Indications, Techniques, and Intraocular Lens Selection. Deutsches Arzteblatt International, 120(21–22), 377–386. https://doi.org/10.3238/arztebl.m2023.0028
Marcella, D., & Devella, S. (2022). Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19. 3(1), 60–70. https://doi.org/10.35957/algoritme.v3i1.3331
Naufal, M. F., Kusuma, S. F., Tanus, K. C., Sukiwun, R. V., Kristiano, J., Lieyanto, J. O., & R., D. C. (2021). Analisis Perbandingan Algoritma Klasifikasi Citra Chest X-ray Untuk Deteksi Covid-19. Teknika, 10(2), 96–103. https://doi.org/10.34148/teknika.v10i2.331
Noviada Kwartawati, N., Isti Harjanti, A., & Rahayu, S. (2023). Operasi Katarak di RS Telogorejo. Jurnal Pengabdian Dan Pemberdayaan Masyarakat, 3(1), 91–98. https://doi.org/10.31331/manggali.v3i1.2433
Ramadhani, F., Satria, A., & Salamah, S. (2023). Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak. Sudo Jurnal Teknik Informatika, 2(4), 167–175. https://doi.org/10.56211/sudo.v2i4.408
Rashed, B. M., & Popescu, N. (2023). Performance Investigation for Medical Image Evaluation and Diagnosis Using Machine-Learning and Deep-Learning Techniques. Computation, 11(3). https://doi.org/10.3390/computation11030063
Sasongko, T. B., & Amrullah, A. (2023). Analisis Efek Augmentasi Dataset Dan Fine Tune Pada Algoritma Pre-Trained Convolutional Neural Network ( Cnn ) Effect Analysis of Dataset Augmentation and Fine Tune on Pre- Trained Convolutional Neural Network ( Cnn ) Algorithm. 10(4), 763–768. https://doi.org/10.25126/jtiik.2023106583
Steinmetz, J. D., Bourne, R. R. A., Briant, P. S., Flaxman, S., Taylor, H. R., Jonas, J. B., Abdoli, A., Abrha, W. A., Abualhasan, A., Abu-Gharbieh, E., Adal, T. G., Afshin, A., Ahmadieh, H., Alemayehu, W., Alemzadeh, S. A., Alfaar, A. S., Alipour, V., Androudi, S., Arabloo, J., … Vos, T. (2021). Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: The Right to Sight: An analysis for the Global Burden of Disease Study. The Lancet Global Health, 9(2), e144–e160. https://doi.org/10.1016/S2214-109X(20)30489-7
Yang, S. R., Yang, H. C., Shen, F. R., & Zhao, J. (2025). Image Data Augmentation for Deep Learning: A Survey. Ruan Jian Xue Bao/Journal of Software, 36(3), 1390–1412. https://doi.org/10.13328/j.cnki.jos.007263
