Analisis Perbandingan Optimizer Pada Identifikasi Penyakit Katarak Menggunakan Convolutional Neural Network (Cnn) Arsitektur Resnet-50

Abstract

Katarak merupakan kelainan pada lensa mata yang ditandai dengan penurunan transpalasi dan meningkatnya kekeruhan pada mata. Sebanyak 50% kebutaan di dunia diakibatkan oleh katarak. Kemajuan teknologi membuat komputer dapat dirancang untuk melakukan prediksi terhadap objek. Metode Convolutional Neural Network dibuat untuk melakukan pemprosesan data seperti gambar yang terdiri dari warna dengan intensitas piksel di tiga saluran warna. Penelitian ini bertujuan untuk menentukan perbandingan antara empat jenis optimizer berbeda pada identifikasi penyakit katarak menggunakan metode Convolutional Neural Network arsitektur Resnet-50. Dataset berisi 4140 data mata normal dan 1400 data mata katarak. Dengan menggunakan beberapa parameter yang sesuai seperti data input 256x256, learning rate 0,001, epoch 50, batch size 32, maka hasil yang didapat yaitu, optimizer RMSprop dan Adam memberikan kinerja sangat baik dengan akurasi sebesar 99% dan rata-rata nilai precision 99%, nilai recall sebesar 99%, dan F1-Score sebesar 99%.