Evaluasi model deep learning sering kali hanya berfokus pada metrik performa akhir, seperti akurasi dan loss. Akibatnya, informasi penting mengenai perkembangan belajar model selama pelatihan menjadi terabaikan. Padahal, penilaian konvergensi sangatlah penting untuk memastikan keandalan sebuah model. Metode biasa seperti pengamatan visual pada grafik loss tidak terukur secara pasti dan sering kali tidak cukup untuk memahami proses pelatihan yang rumit. Untuk menjawab masalah tersebut, penelitian ini memperkenalkan Koefisien Konvergensi Ember (ECC), yaitu sebuah metrik baru yang dirancang untuk memberikan penilaian yang terukur dan menyeluruh terhadap proses pelatihan. ECC dirumuskan dengan menggabungkan empat variabel statistik yang diberi bobot: (1) korelasi performa train-validation, (2) korelasi antara epoch dengan selisih performa train-validation, (3) korelasi antara epoch dengan performa rata-rata, dan (4) gradien perpindahan performa. Bobot untuk setiap variabel tersebut diperoleh dari analisis persebaran data pada model yang dilatih menggunakan dataset klasifikasi citra katarak. Efektivitas koefisien ini kemudian diuji pada dataset klasifikasi tuberkulosis yang berbeda. Hasilnya, skor ECC menunjukkan kesesuaian yang tinggi dengan kesimpulan dari pengamatan visual pada grafik pelatihan. Dengan demikian, ECC dapat berfungsi sebagai indikator yang andal dan praktis untuk menilai kualitas proses belajar. Metrik ini membantu para peneliti atau insinyur dalam memilih model terbaik secara lebih meyakinkan, karena tidak hanya melihat hasil akhir, tetapi juga didukung oleh skor standar yang mewakili perilaku konvergensi model.