Prediksi Buta Warna Menggunakan PendekatanSains Data dan Convolutional Neural Network

Abstract

Buta warna merupakan gangguan penglihatan yang ditandai dengan ketidakmampuan membedakan warna tertentu, terutama merah-hijau. Deteksi dini kondisi ini penting untuk mencegah kesalahan dalam aktivitas sehari-hari maupun pekerjaan yang memerlukan persepsi warna akurat. Penelitian ini bertujuan mengembangkan sistem prediksi buta warna menggunakan pendekatan Convolutional Neural Network (CNN) dengan memanfaatkan citra Ishihara digital. Dataset terdiri dari 500 citra yang telah diberi label oleh dokter, dibagi menjadi 70% data latih, 15% validasi, dan 15% uji. Proses preprocessing mencakup resizing citra ke ukuran 128×128 piksel, normalisasi, dan augmentasi data. Arsitektur CNN dirancang dengan dua convolutional layers, max pooling, dropout, dense layer, dan softmax output. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi 94,6%, lebih unggul dibandingkan SVM (88,1%) dan Random Forest (85,2%). Evaluasi menggunakan confusion matrix memperlihatkan kinerja terbaik pada kelas Normal dan Protanopia, dengan tantangan terbesar pada klasifikasi Deuteranopia. Grafik akurasi dan loss menunjukkan model stabil tanpa indikasi overfitting. Temuan ini membuktikan efektivitas CNN dalam mendeteksi pola visual kompleks pada citra medis. Implementasi praktis dari penelitian ini dapat diwujudkan melalui pengembangan aplikasi berbasis web/mobile untuk deteksi dini buta warna. Penelitian selanjutnya disarankan menggunakan dataset yang lebih besar, validasi lapangan, serta integrasi dengan teknologi AR/VR untuk simulasi penglihatan penderita buta warna.