Implementasi Algoritma Xception pada Sistem Deteksi Katarak Menggunakan Raspberry Pi Berbasis Citra Mata
Kata Kunci:
Xception, CNN, Raspberry Pi, Deteksi Katarak, Portabel, Fasilitas Kesehatan TerbatasAbstrak
Katarak merupakan penyebab utama kebutaan yang dapat dicegah, namun akses diagnosis di wilayah terpencil masih menjadi tantangan signifikan. Penelitian ini bertujuan mengembangkan sistem deteksi katarak portabel berbasis Raspberry Pi dengan algoritma Xception untuk klasifikasi citra mata. Sistem ini memanfaatkan Raspberry Pi 3 Model B yang terintegrasi dengan webcam untuk akuisisi citra, serta mengimplementasikan arsitektur Xception yang telah dimodifikasi untuk klasifikasi biner (katarak dan non-katarak). Model dikembangkan menggunakan dataset sebanyak 10.000 citra mata dengan rasio data training dan validation 80:20, serta memanfaatkan teknik transfer learning dan fine-tuning dengan bobot awal dari ImageNet. Hasil pengujian menunjukkan epoch terbaik pada epoch ke-18 dari 20 epoch, dengan validasi akurasi model sebesar 0.985, dengan precision dan recall tinggi pada kedua kelas. Implementasi pada perangkat Raspberry Pi menunjukkan performa yang efisien, dengan waktu inferensi 3-8 detik per citra, penggunaan CPU 18-54,4%, serta memori stabil antara 57-60%. Pengujian lanjutan pada data baru juga membuktikan sistem mampu mendeteksi katarak dengan tingkat kepercayaan yang bervariasi. Sistem ini berpotensi menjadi solusi deteksi awal katarak yang efisien dan portabel, khususnya untuk fasilitas kesehatan dengan sumber daya terbatas.
Referensi
World Health Organization. (2019). World report on vision Executive Summary. Who, 214(14), 1–12.
Kemenkes RI. (2018). Peta Jalan Penanggulangan gangguan penglihatan di Indonesia Tahun 2017-2030. 2018 (p. 7).
Tripathi, P., Akhter, Y., Khurshid, M., Lakra, A., Keshari, R., Vatsa, M., & Singh, R. (2022). MTCD: Cataract detection via near infrared eye images. Computer Vision and Image Understanding, 214.
Wijaya, A. E., Swastika, W., & Kelana, O. H. (2021). Implementasi Transfer Learning Pada Convolutional Neural Network Untuk Diagnosis Covid-19 Dan Pneumonia Pada Citra X-Ray. Sainsbertek Jurnal Ilmiah Sains & Teknologi, 2(1), 10–15.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1251–1258). IEEE.
Ju, R. Y., Lin, T. Y., Jian, J. H., & Chiang, J. S. (2023). Efficient convolutional neural networks on Raspberry Pi for image classification. Journal of Real-Time Image Processing, 20(2).
Sharma, S., & Kumar, S. (2022). The Xception model: A potential feature extractor in breast cancer histology images classification. ICT Express, 8(1), 101–108.
Lee, C. M., & Afshari, N. A. (2017). The global state of cataract blindness. Current Opinion in Ophthalmology. Lippincott Williams and Wilkins.
Hashemi, H., Pakzad, R., Yekta, A., Aghamirsalim, M., Pakbin, M., Ramin, S., & Khabazkhoob, M. (2020, August 1). Global and regional prevalence of age-related cataract: a comprehensive systematic review and meta-analysis. Eye (Basingstoke). Springer Nature.
Correction: GBD 2019 Blindness and Vision Impairment Collaborators. 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 (2021) 9(2) (e144–e160), (S2214109X20304897), (10.1016/S2214-109X(20)30489-7)). (2021, April 1). The Lancet Global Health. Elsevier Ltd.
Ganokratanaa, T., Ketcham, M., & Pramkeaw, P. (2023). Advancements in Cataract Detection: The Systematic Development of LeNet-Convolutional Neural Network Models. Journal of Imaging, 9(10).
Arias-Duart, A., Mariotti, E., Garcia-Gasulla, D., & Alonso-Moral, J. M. (2023). A Confusion Matrix for Evaluating Feature Attribution Methods. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (Vol. 2023-June, pp. 3709–3714). IEEE Computer Society.
Maulana, I. (2021). Implementasi Raspberry Pi 4 Sebagai Server E-Learning. Jurnal Media Aplikom, 13(2), 1–14.
World Health Organization. (2019). World report on vision Executive Summary. Who, 214(14), 1–12.
Kemenkes RI. (2018). Peta Jalan Penanggulangan gangguan penglihatan di Indonesia Tahun 2017-2030. 2018 (p. 7).
Tripathi, P., Akhter, Y., Khurshid, M., Lakra, A., Keshari, R., Vatsa, M., & Singh, R. (2022). MTCD: Cataract detection via near infrared eye images. Computer Vision and Image Understanding, 214.
Wijaya, A. E., Swastika, W., & Kelana, O. H. (2021). Implementasi Transfer Learning Pada Convolutional Neural Network Untuk Diagnosis Covid-19 Dan Pneumonia Pada Citra X-Ray. Sainsbertek Jurnal Ilmiah Sains & Teknologi, 2(1), 10–15.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1251–1258). IEEE.
Ju, R. Y., Lin, T. Y., Jian, J. H., & Chiang, J. S. (2023). Efficient convolutional neural networks on Raspberry Pi for image classification. Journal of Real-Time Image Processing, 20(2).
Sharma, S., & Kumar, S. (2022). The Xception model: A potential feature extractor in breast cancer histology images classification. ICT Express, 8(1), 101–108.
Lee, C. M., & Afshari, N. A. (2017). The global state of cataract blindness. Current Opinion in Ophthalmology. Lippincott Williams and Wilkins.
Hashemi, H., Pakzad, R., Yekta, A., Aghamirsalim, M., Pakbin, M., Ramin, S., & Khabazkhoob, M. (2020, August 1). Global and regional prevalence of age-related cataract: a comprehensive systematic review and meta-analysis. Eye (Basingstoke). Springer Nature.
Correction: GBD 2019 Blindness and Vision Impairment Collaborators. 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 (2021) 9(2) (e144–e160), (S2214109X20304897), (10.1016/S2214-109X(20)30489-7)). (2021, April 1). The Lancet Global Health. Elsevier Ltd.
Ganokratanaa, T., Ketcham, M., & Pramkeaw, P. (2023). Advancements in Cataract Detection: The Systematic Development of LeNet-Convolutional Neural Network Models. Journal of Imaging, 9(10).
Arias-Duart, A., Mariotti, E., Garcia-Gasulla, D., & Alonso-Moral, J. M. (2023). A Confusion Matrix for Evaluating Feature Attribution Methods. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (Vol. 2023-June, pp. 3709–3714). IEEE Computer Society.
Maulana, I. (2021). Implementasi Raspberry Pi 4 Sebagai Server E-Learning. Jurnal Media Aplikom, 13(2), 1–14.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
