Sistem Deteksi Katarak Menggunakan Deep Learning
Abstract
Katarak merupakan penyebab utama kebutaan di dunia, mencakup 33% gangguan penglihatan dan 51% kebutaan. Di Indonesia, distribusi dokter mata yang terkonsentrasi 70% di kota besar menyebabkan keterbatasan akses layanan mata di daerah terpencil. Penelitian ini mengembangkan sistem deteksi katarak otomatis berbasis deep learning menggunakan aplikasi Android yang terintegrasi cloud computing. Sistem ini menggunakan arsitektur CNN 5-layer dengan 5-Fold Cross Validation untuk mengklasifikasikan citra fundus mata ke dalam tiga kategori: Normal, Immature, dan Mature. Model diimplementasikan dengan Flask API, Express.js, dan PostgreSQL, serta aplikasi dikembangkan menggunakan Android Studio. Fitur utama aplikasi mencakup upload gambar, klasifikasi otomatis, dan penyimpanan riwayat hasil. Hasil pengujian menunjukkan akurasi model sebesar 99,83% dengan waktu pemrosesan rata-rata 1,51–2,86 detik. Sistem ini kompatibel pada Android versi 8–15 dan mampu menjadi solusi praktis dan akurat untuk deteksi katarak di daerah minim tenaga medis.
Kata kunci: Deep Learning, Deteksi Katarak, CNN, Mobile Application, Cloud Computing.
References
J. Rana dan SM Galib, ''Deteksi katarak menggunakan smartphone,'' dalam Proc. 3rd Int.
Conf. Electr. Inf. Commun. Technol. (EICT), Desember 2017.
M. S. Junayed, M. B. Islam, A. Sadeghzadeh, and S. Rahman, "CataractNet: An
Automated Cataract Detection System Using Deep Learning for Fundus Images," *IEEE
Access*, vol. 9, pp. 128799–128808, Sep. 2021, doi: 10.1109/ACCESS.2021.3112938.
Raden Gunawan Effendi, “Dampak Secara ekonomi dalam pembiayaan gangguan
kebutaan akibat katarak di kabupaten lombok barat,” Journal of Ilmu Kesehatan Strada
Indonesia, vol. 1279, no. 1020, pp. 8687, Juli 2024.
D. A. Rahman, “Deteksi Katarak Melalui Gambar Mata Menggunakan Transfer
Learning,” Program Studi Teknik Informatika, Fakultas Sains dan Teknologi,
Universitas Islam Negeri Syarif Hidayatullah Jakarta 2023.
Wang, J., & Smith, R. (2022). "Real-time Cataract Screening Using Mobile Devices."
IEEE Transactions on Medical Imaging, 41(8), 1876-1889.
Li, Y., Tang, M., Zhang, X., & Wang, J. (2018). Quantitative Analysis of Corneal
Inflammation Using a Slit-Lamp Photography System. IEEE Transactions on Medical
Imaging, 37(8), 1930-1938. https://doi.org/10.1109/TMI.2018.2815081
Li, Z., Guo, C., Nie, D., Lin, D., Zhu, Y., Chen, C., & Li, G. (2021). Automated glaucoma
detection from fundus images using deep learning: A review. IEEE Journal of
Biomedical and Health Informatics, 25(6), 2077-2090.
https://doi.org/10.1109/JBHI.2020.3047742
Zhang, Y., Li, H., Yang, X., & Liu, L. (2020). RAAV: A rapid automated visual acuity
assessment system using deep learning. IEEE Journal of Biomedical and Health
Informatics, 24(9), 2512-2520. https://doi.org/10.1109/JBHI.2020.2982286
Chen, Y., Liu, H., Wang, F., & Zhang, X. (2020). Development of an automated
retinoscopy system with adaptive optics. IEEE Transactions on Biomedical Engineering,
(6), 1597-1604. https://doi.org/10.1109/TBME.2019. 2942936
Fujimoto, J. G., & Swanson, E. (2016). The development, commercialization, and impact
of optical coherence tomography. IEEE Journal of Selected Topics in Quantum
Electronics, 22(3), 6800515. https://doi.org/10.1109/JSTQE.2016.255597992
Raghavendra, U., et al. (2017) - Deep Learning for Automated Detection of Cataract.
IEEE Access.
Xu, X., et al. (2020) - Cataract Detection Using Deep Learning on Ocular Images.
Scientific Reports.
Simanjuntak, R. B. J., Fu'adah, Y., Magdalena, R., Saidah, S., Wiratama, A. B., &
Ubaidah, I. D. S. (2025). Cataract classification based on fundus images using
convolutional neural network. School of Electrical Engineering, Telkom University.
