Detail Cantuman

Keratokonus merupakan kelainan progresif pada kornea yang dapat menyebabkan gangguan penglihatan apabila tidak terdeteksi dini, sementara variasi gejalanya membuat identifikasi menjadi sulit. Penelitian ini menerapkan Transfer learning menggunakan VGG16 untuk klasifikasi keratokonus berbasis citra topografi kornea dan membandingkannya dengan pelatihan dari awal. Dataset terdiri dari tiga kelas (Keratoconus, Normal, Suspect). Eksperimen dilakukan pada skenario tanapa augmentasi dan dengan augmentasi. Evaluasi menggunakan accuracy, precision, sensitivity/recall, dan F1-score serta dianalisis melalui confusion matrix. Tanpa augmentasi, transfer learning mencapai akurasi 39-56% (F1 27-56%), sedangkan non-transfer learning 33-58% (F1 17-58%). Dengan augmentasi, transfer learning tetap pada rentang serupa (akurasi 39-56%, F1 27- 55%), sementara performa terbaik non-transfer learning sedikit menurun dari 58% menjadi 57% dan variasi antar eksperimen tetap besar. Confusion matrix menunjukkan kesalahan dominan pada pertukaran Normal dan Suspect. Temuan ini menegaskan perlunya strategi peningkatan separabilitas fitur Normal dan Suspect untuk meningkatkan generalisasi model.