%0 Thesis
%9 S1 - Sarjana
%A Rizki, Dico Fathatul
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:33183
%I Universitas AMIKOM Yogyakarta
%K Katarak, Klasifikasi Citra, Deep Learning, Transfer Learning,  MobileNetV2, Metrik Evaluasi, Image Classification.
%T OPTIMALISASI KLASIFIKASI CITRA MEDIS KATARAK  MENGGUNAKAN ARSITEKTUR MOBILENETV2 DENGAN  PENERAPAN CALLBACKS
%U https://eprints.amikom.ac.id/id/eprint/33183/
%X Katarak adalah penyebab utama kebutaan global yang sebenarnya dapat dicegah melalui  deteksi dan penanganan dini. Namun, proses skrining secara manual yang dilakukan oleh  spesialis mata dihadapkan pada keterbatasan sumber daya, tingginya biaya pemeriksaan,  serta jangkauan fasilitas kesehatan yang tidak merata di berbagai daerah. Keterbatasan  akses terhadap deteksi dini ini menghadirkan tantangan diagnostik yang serius, karena  menghambat penanganan tepat waktu dan secara langsung berdampak pada peningkatan  angka kebutaan permanen di masyarakat, terutama pada negara-negara berkembang. Oleh  karena itu, diperlukan sebuah solusi inovatif berbasis teknologi untuk mengotomatisasi  proses analisis citra medis secara cepat, akurat, dan dapat diakses dengan mudah oleh  berbagai kalangan.   Penelitian ini mengusulkan solusi otomatisasi menggunakan pendekatan Pembelajaran  Mendalam (Deep Learning), secara khusus menerapkan teknik Transfer Learning dengan  memanfaatkan arsitektur Convolutional Neural Network (CNN) ringan yaitu  MobileNetV2. Alur penyelesaian masalah diawali dengan pengumpulan 3.709 citra mata  dari dataset publik Kaggle yang dibagi menjadi tiga kelas kondisi: katarak matur, katarak  imatur, dan mata normal. Data tersebut kemudian melalui tahap prapemrosesan,  augmentasi, pembagian dataset (rasio 70:15:15), dan penyesuaian bobot kelas untuk  menangani ketidakseimbangan data. Proses pelatihan model dioptimalkan secara dinamis  menggunakan kombinasi tiga fungsi kontrol (callbacks), yakni ModelCheckpoint untuk  menyimpan bobot terbaik, ReduceLROnPlateau untuk menyesuaikan nilai learning rate  saat konvergensi stagnan, dan EarlyStopping untuk mencegah indikasi overfitting.  Evaluasi kinerja model diukur secara komprehensif menggunakan metrik akurasi,  precision, recall, F1-score, dan confusion matrix pada sekumpulan data uji independen.   Hasil evaluasi menunjukkan bahwa model yang dibangun berhasil mencapai tingkat  akurasi pengujian yang sangat tinggi, yaitu sebesar 99%. Analisis metrik komprehensif  membuktikan performa yang seimbang, di mana secara rata-rata (macro average) model  mencatatkan nilai 0.99 untuk precision, recall, dan F1-score. Penerapan callbacks juga  terbukti mengefisienkan waktu komputasi pelatihan secara substansial menjadi 1.171  detik. Kontribusi utama dari penelitian ini adalah terciptanya model klasifikasi yang  sangat ringan, efisien, dan andal dalam meminimalkan kesalahan diagnosis medis. Hasil  penelitian ini dapat dimanfaatkan secara langsung oleh tenaga medis sebagai alat bantu  skrining untuk mempercepat proses diagnosa, serta oleh masyarakat umum untuk  mengakses pemeriksaan awal katarak secara mandiri. Untuk penelitian lebih lanjut,  direkomendasikan pengintegrasian metode Explainable AI (XAI) seperti Grad-CAM  guna meningkatkan interpretabilitas medis, serta pengembangan sistem menuju deteksi  objek (object detection) agar mampu melokalisasi area kekeruhan lensa secara spesifik.