Pengembangan Sistem Deteksi Katarak Berbasis Website Dengan Menggunakan Cnn Di Rumah Sakit Mata Pasuruan

Abstrak

Abstract. Cataracts are the leading cause of blindness in Indonesia. However, the manual diagnostic process in hospitals often results in delayed and inefficient early detection. This study aims to develop a web-based cataract detection system using a Convolutional Neural Network (CNN) at Pasuruan Eye Hospital. The system is designed to classify eye images into two categories: normal and cataract, utilizing a CNN model trained on a dataset of 512 images. The CNN architecture consists of three convolutional layers, max pooling, and dense layers with ReLU and sigmoid activation functions. The model is integrated using a Flask-based backend and ngrok service to connect with the model running on Google Colab. Evaluation was conducted using a validation set comprising 20% of the dataset, resulting in an accuracy of 97%, a precision of 1.00, a recall of 0.94 for the cataract class, and a recall of 1.00 for the normal class. The system successfully performs automatic cataract detection with high accuracy and a user-friendly interface, supporting faster and more efficient preliminary diagnosis services in hospitals.Keywords: cataract detection, CNN, website, image classification, deep learning, Flask Abstrak. Katarak merupakan penyebab utama kebutaan di Indonesia, namun proses diagnosis yang masih manual di rumah sakit menyebabkan deteksi dini menjadi lambat dan tidak efisien. Penelitian ini bertujuan mengembangkan sistem deteksi katarak berbasis website dengan metode Convolutional Neural Network (CNN) di Rumah Sakit Mata Pasuruan. Sistem ini dirancang untuk mengklasifikasikan citra mata menjadi dua kelas, yaitu normal dan katarak, dengan menggunakan model CNN yang dilatih pada dataset berisi 512 citra. Model CNN dibangun dengan arsitektur tiga convolutional layers, max pooling, dan dense layer dengan fungsi aktivasi ReLU dan sigmoid, serta diintegrasikan melalui backend berbasis Flask dan layanan ngrok untuk koneksi dengan model yang berjalan di Google Colab. Evaluasi dilakukan menggunakan data validasi sebesar 20% dari dataset dengan hasil akurasi 97%, precision 1.00, recall 0.94 untuk kelas katarak, dan recall 1.00 untuk kelas normal. Sistem berhasil mendeteksi katarak secara otomatis dengan hasil akurat dan antarmuka ramah pengguna, serta mendukung layanan diagnosis awal di rumah sakit dengan lebih cepat dan efisien.Kata Kunci: deteksi katarak, CNN, website, klasifikasi citra, deep learning, Flask

Identifier

• OpenAlex: https://openalex.org/W4417319611
• DOI: https://doi.org/10.31284/j.integer.0.v10i2.8051