Proyek Inovasi Mahasiswa dalam Program Studi Independen Bersertifikat: Pengembangan Sistem Klasifikasi Citra Untuk Deteksi Penyakit Pada Mata Menggunakan Deep Learning di PT Stechoq Robotika Indonesia

Sebagai bagian dari program Studi Independen MSIB cycle 7 di PT Stechoq Robotika Indonesia selama empat bulan, saya Ahmad Rizal Agustian dari Universitas Negeri Surabaya berkesempatan mengembangkan sebuah proyek yang berfokus pada penerapan teknologi deep learning untuk deteksi dini penyakit mata. Proyek ini bertujuan untuk membantu tenaga medis mendiagnosis kondisi mata pasien dengan akurasi tinggi dan efisiensi lebih baik melalui klasifikasi citra retina.Dalam bidang kesehatan, khususnya oftalmologi, deteksi dini penyakit mata seperti Katarak, Retinopati Diabetik, dan Glaukoma berperan penting dalam mencegah kebutaan dan kerusakan mata permanen. Namun, keterbatasan jumlah tenaga medis, terutama di daerah terpencil, dan proses interpretasi citra medis mata secara manual sering kali memakan waktu dan rentan terhadap kesalahan, terutama ketika dilakukan oleh tenaga medis yang kelelahan atau kurang berpengalaman.

Seiring berkembangnya teknologi di era Industri 4.0. Deep Learning dengan Arsitektur Convolutional Neural Network (CNN) muncul sebagai solusi efektif untuk mengatasi tantangan tersebut. Ini membuatnya lebih cepat dan lebih ringan dalam memproses data citra, namun tetap akurat dalam klasifikasi. Tidak hanya dapat meningkatkan akurasi diagnosis, tetapi juga berpotensi mengurangi beban tenaga medis dengan mempercepat proses diagnosis dan mengurangi human error. Selain itu, dengan adanya antarmuka pengguna yang sederhana dan mudah digunakan, proyek ini dapat membantu tenaga medis, bahkan mereka yang tidak terlalu berpengalaman dengan teknologi, untuk mengakses dan menginterpretasi hasil diagnosis dengan lebih cepat dan efisien.

Untuk Model yang digunakan dalam proyek ini adalah MobileNetV2, Model MobileNetV2 memanfaatkan arsitektur Depthwise Separable Convolution, yang membagi proses konvolusi menjadi dua Langkah, yaitu depthwise Convolution dan Pointwise Convolution, sehingga mengurasi jumlah parameter dan komputasi secara signifikan.

Dalam proyek ini mendapat accuracymodel 78% yang sudah di finetuning:

Proyek ini dikembangkan dengan fokus pada pengalamanpengguna yang mudah diakses melalui platform berbasis web. Berikut adalahstruktur utama aplikasi website dan tampilan user interface:

1. Halaman Home Menyambut pengguna dengan informasi tentang tujuan proyek, yaitu "Eyes Disease Detection".
   
   
2. Halaman Information Memberikan latar belakang proyek, seperti pentingnya deteksi dini penyakit mata dan peran deep learning dalam meningkatkan layanan kesehatan.
   
   
3. Halaman Dashboard Menjelaskan jenis-jenis penyakit mata yang dideteksi, termasuk normal, katarak, glaucoma, renopati diabetic.
   
   
4. Halaman About Menampilkan anggota tim pengembang proyek beserta peran masing- masing.
   
   
5. Halaman Predict Menjadi inti dari aplikasi, di mana pengguna dapat mengunggah citra retina untuk mendeteksi penyakit mata. Hasil prediksi meliputi kategori penyakit (Cataract, Diabetic Retinopathy, Glaucoma, atau Normal) dan tingkat kepercayaan model (misalnya: "Confidence: 95%").

Keikutsertaan Saya dalam MSIB Cycle 7 memberikan kontribusi besar dalam pengembangan proyek ini. Melalui bimbingan mentor dari PT Stechoq Robotika Indonesia, saya mendapatkan banyak pelajaran berharga, antara lain:

1. Pemanfaatan Teknologi Deep Learning dalam Dunia Medis Saya memahami bagaimana deep learning dapat diterapkan untuk membantu mendeteksi penyakit mata dengan lebih akurat.
2. Preprocessing Data yang Mendalam Teknik seperti normalisasi, augmentasi, dan pembagian dataset menjadi training, validation, dan test set sangat memengaruhi performa model.
3. Optimasi Model dengan Transfer Learning Menggunakan MobileNetV2 memungkinkan pengembangan model yang efisien tanpa perlu melatih dari nol.
4. Evaluasi dengan Metrik yang Beragam Belajar menggunakan metrik seperti akurasi, precision, recall, F1-score, dan confusion matrix untuk mengevaluasi performa model secara mendalam.
5. Kolaborasi Tim yang Efektif Pengalaman bekerja dalam tim membantu saya belajar pentingnya koordinasi dalam menyelesaikan proyek besar.

    Untuk itu Kesimpulan yang didapat adalah proyek ini membuktikan bahwa teknologi deep learning dapat menjadi alat yang sangat efektif untuk meningkatkan layanan kesehatan. Dengan pendekatan berbasis web yang mudah diakses, solusi ini memiliki potensi besar untuk digunakan oleh tenaga medis di berbagai wilayah, bahkan di daerah terpencil. Melalui proyek ini, saya tidak hanya mendapatkan pengetahuan teknis tetapi juga pengalaman bekerja dalam tim, menyelesaikan masalah dunia nyata, dan memberikan kontribusi nyata untuk masyarakat. Program Studi Independen di PT Stechoq Robotika Indonesia selama empat bulan ini telah menjadi pengalaman berharga dalam perjalanan karier saya sebagai pengembang teknologi.

Nama: Ahmad Rizal Agustian

Dosen Pembimbing: Muhamad Syariffuddien Zuhrie, S.Pd., M.T.

Instansi Studi Independen: PT Stechoq Robotika Indonesia

Program Studi: S1 Teknik Elektro