DETEKSI PENYAKIT DIABETES, KATARAK DAN GLAUKOMA PADA CITRA FUNDUS RETINA MATA MANUSIA MENGGUNAKAN CNN DENGAN ARSITEKTUR ALEXNET

  • Cicik Rafka Mulyasari Pemakalah
  • Asep Id Hadiana Universitas Jenderal Achmad Yani
  • Agus Komarudin Universitas Jenderal Achmad Yani

Abstract

Penglihatan merupakan salah satu indera yang sangat penting bagi manusia. Jika terjadi kelainan atau penyakit pada mata, dapat berdampak serius, seperti diabetes yang dapat menyerang bola mata, katarak, dan glaukoma. Karena itu, menjaga kesehatan mata harus menjadi prioritas sehari-hari. Sayangnya, fasilitas medis terbatas di pusat kesehatan dan rumah sakit, serta kurangnya jumlah dokter mata yang mampu melakukan pemeriksaan dan operasi mata, menjadikan pengobatan penyakit mata menjadi sulit. Namun, seiring dengan pesatnya perkembangan teknologi, bidang kedokteran juga mengadopsi teknologi untuk meningkatkan pelayanan kepada masyarakat secara luas. Keterbatasan waktu yang dialami oleh dokter-dokter tersebut telah mendorong penggunaan sistem pakar dalam membantu diagnosis berbagai penyakit. Untuk mengatasi masalah dalam diagnosis penyakit diabetes, katarak, dan glaukoma, telah dikembangkan beberapa solusi. Salah satunya adalah dengan menggunakan metode pengolahan citra bola mata dan bahasa pemrograman untuk menciptakan perangkat lunak yang dapat melakukan diagnosis dan klasifikasi yang akurat terhadap keempat jenis penyakit tersebut. Dalam hal ini, metode yang digunakan adalah convolutional neural network (CNN). Sistem dirancang menggunakan metodologi CNN dengan arsitektur Alexnet berdasarkan gambar bola mata. Masukkan kumpulan data gambar yang diwarisi dari Kaggle yang disebut "Klasifikasi Penyakit Mata" dan gunakan total 4.217 gambar, 75% di antaranya adalah data latih dan 25% adalah gambar data uji. Pada penelitian ini, hasil terbaik untuk setiap skenario pengujian adalah presisi 87%, presisi 88%, recall 88%, skor f1 88% dan loss 0,48.

References

[1] G. P. Kumasela, J. S. M. Saerang, and L. Rares, “Hubungan Waktu Penggunaan Laptop Dengan Keluhan Penglihatan Pada Mahasiswa Fakultas Kedokteran Universitas Sam Ratulangi,” J. e-Biomedik, vol. 1, no. 1, 2013, doi: 10.35790/ebm.1.1.2013.4361.
[2] R. Indraswari, W. Herulambang, and R. Rokhana, “Deteksi Penyakit Mata Pada Citra Fundus Menggunakan Convolutional Neural Network (CNN),” Techno.Com, vol. 21, no. 2, pp. 378–389, 2022, doi: 10.33633/tc.v21i2.6162.
[3] M. J. Burton et al., “The Lancet Global Health Commission on Global Eye Health: vision beyond 2020,” Lancet Glob. Heal., vol. 9, no. 4, pp. e489–e551, 2021, doi: 10.1016/S2214-109X(20)30488-5.
[4] N. A. Karim et al., “International Journal of Hydrogen Energy Acknowledgment of Reviewers 2023 The editors of the International Journal of Hydrogen Energy gratefully acknowledge the contributions of the following reviewers :,” no. xxxx, 2023, doi: 10.1016/j.ijhydene.2023.10.320.
[5] V. Gulshan et al., “Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs,” JAMA - J. Am. Med. Assoc., vol. 316, no. 22, pp. 2402–2410, 2016, doi: 10.1001/jama.2016.17216.
[6] A. Diaz-Pinto, S. Morales, V. Naranjo, T. Köhler, J. M. Mossi, and A. Navea, “CNNs for automatic glaucoma assessment using fundus images: An extensive validation,” Biomed. Eng. Online, vol. 18, no. 1, pp. 1–19, 2019, doi: 10.1186/s12938-019-0649-y.
[7] L. Li, M. Xu, X. Wang, L. Jiang, and H. Liu, “Attention based glaucoma detection: A large-scale database and CNN model,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2019-June, pp. 10563–10572, 2019, doi: 10.1109/CVPR.2019.01082.
[8] M. N. Bajwa et al., “Correction to: Two-stage framework for optic disc localization and glaucoma classification in retinal fundus images using deep learning (BMC Medical Informatics and Decision Making (2019) 19 (136) DOI: 10.1186/s12911-019-0842-8),” BMC Med. Inform. Decis. Mak., vol. 19, no. 1, pp. 1–16, 2019, doi: 10.1186/s12911-019-0876-y.
[9] R. C. Joshi, M. K. Dutta, P. Sikora, and M. Kiac, “Efficient Convolutional Neural Network Based Optic Disc Analysis Using Digital Fundus Images,” 2020 43rd Int. Conf. Telecommun. Signal Process. TSP 2020, pp. 533–536, 2020, doi: 10.1109/TSP49548.2020.9163560.
[10] T. F. Gonzalez, “Handbook of approximation algorithms and metaheuristics,” Handb. Approx. Algorithms Metaheuristics, pp. 1–1432, 2007, doi: 10.1201/9781420010749.
[11] R. Indraswari, T. Kurita, A. Z. Arifin, N. Suciati, and E. R. Astuti, “Multi-projection deep learning network for segmentation of 3D medical images,” Pattern Recognit. Lett., vol. 125, pp. 791–797, 2019, doi: 10.1016/j.patrec.2019.08.003.
[12] R. Indraswari, R. Rokhana, and W. Herulambang, “Melanoma image classification based on MobileNetV2 network,” Procedia Comput. Sci., vol. 197, pp. 198–207, 2021, doi: 10.1016/j.procs.2021.12.132.
[13] O. N. Shpakov and G. V. Bogomolov, “Technogenic activity of man and local sources of environmental pollution,” Stud. Environ. Sci., vol. 17, no. C, pp. 329–332, 1981, doi: 10.1016/S0166-1116(08)71924-1.
[14] S. Suyanto, K. N. Ramadhani, S. Mandala, and A. Kurniawan, “Automatic Segmented-Syllable and Deep Learning-Based Indonesian Audiovisual Speech Recognition,” 6th Int. Conf. Interact. Digit. Media, ICIDM 2020, no. Icidm, pp. 20–23, 2020, doi: 10.1109/ICIDM51048.2020.9339650.
[15] I. W. Suartika E. P, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, p. 76, 2016, [Online]. Available: http://repository.its.ac.id/48842/
[16] H. A. Nugroho et al., “Performance of convolutional neural network in detecting plasmodium parasites,” 2019 IEEE 9th Int. Conf. Syst. Eng. Technol. ICSET 2019 - Proceeding, vol. 6, pp. 331–336, 2019, doi: 10.1109/ICSEngT.2019.8906303.
[17] M. B. Bejiga, A. Zeggada, A. Nouffidj, and F. Melgani, “A convolutional neural network approach for assisting avalanche search and rescue operations with UAV imagery,” Remote Sens., vol. 9, no. 2, 2017, doi: 10.3390/rs9020100.
[18] W. Mo, X. Luo, Y. Zhong, and W. Jiang, “Image recognition using convolutional neural network combined with ensemble learning algorithm,” J. Phys. Conf. Ser., vol. 1237, no. 2, 2019, doi: 10.1088/1742-6596/1237/2/022026.
[19] S. Biruntha and R. P. Narmadha, “Automatic Detection of Diabetic Retinopathy on Digital Fundus Image,” 8th Int. Conf. Adv. Comput. Commun. Syst. ICACCS 2022, pp. 1535–1537, 2022, doi: 10.1109/ICACCS54159.2022.9785077.
[20] T. Iskandar Zulkarnain Maulana Putra, A. Farhan Bukhori, dan Ilmu Pengetahuan Alam, and U. Gadjah Mada, “Model Klasifikasi Berbasis Multiclass Classification dengan Kombinasi Indobert Embedding dan Long Short-Term Memory untuk Tweet Berbahasa Indonesia (Classification Model Based on Multiclass Classification with a Combination of Indobert Embedding and Long ,” J. Ilmu Siber dan Teknol. Digit., vol. 1, no. 1, pp. 1–28, 2022, [Online]. Available: https://doi.org/10.35912/jisted.v1i1.1509
Published
2024-05-21
How to Cite
MULYASARI, Cicik Rafka; HADIANA, Asep Id; KOMARUDIN, Agus. DETEKSI PENYAKIT DIABETES, KATARAK DAN GLAUKOMA PADA CITRA FUNDUS RETINA MATA MANUSIA MENGGUNAKAN CNN DENGAN ARSITEKTUR ALEXNET. JUMANJI (Jurnal Masyarakat Informatika Unjani), [S.l.], v. 8, n. 1, p. 53-68, may 2024. ISSN 2598-8069. Available at: <http://jumanji.unjani.ac.id/index.php/jumanji/article/view/341>. Date accessed: 25 dec. 2024. doi: https://doi.org/10.26874/jumanji.v8i1.341.