Perpustakaan Digital ITB

Sebuah sistem klasifikasi penyakit retina secara otomatis memerlukan kualitas citra fundus dengan standar tertentu. Citra fundus retina umumnya diperoleh dari proses clinical screening massal dimana akuisisi citra tidak selalu dilakukan oleh tenaga yang terlatih. Kualitas citra yang buruk dapat mengakibatkan kesalahan pada diagnosis penyakit mata berdasarkan citra retina. Oleh karena itu, diperlukan sistem objektif yang dapat menilai kualitas citra retina. Beberapa citra fundus retina yang digunakan untuk melakukan sebuah klasifikasi penyakit masih tidak memenuhi kualitas citra secara medis. Hal ini menjadi sebuah masalah utama, bahkan beberapa jumlah studi melaporkan tingkat insiden yang tinggi akibat kualitas citra retina yang buruk dalam rentang (4.85-17.3%) dalam melakukan diagnosis penyakit retina (Lin dkk.,2019). Selain itu, dilaporkan juga bahwa practical dataset dapat mencakup citra retina dengan kualitas yang buruk dalam jumlah yang besar bahkan hingga mencapai 60% dari keseluruhan citra (Abdel-Hamid dkk,.2017). Dalam mengatasi hal ini, upaya penggunaan machine learning dapat dimanfaatkan untuk mengatasi permasalahan tersebut. Pendekatan dapat dilakukan dengan melakukan ekstraksi fitur pada data tidak terstruktur berupa citra fundus, menjadi data terstruktur berupa data tabular. Kemudian, faktor-faktor pengaruh yang membedakan kualitas citra fundus retina dapat dianalisis melalui serangkaian tahapan. Pada penelitian ini, telah dilakukan eksplorasi faktor-faktor yang mempengaruhi kualitas citra fundus retina pada dataset DRIMDB yang berisi 216 citra yang terdiri tiga kelas, yakni kualitas “Good”, “Bad”, dan “Outlier”. Selanjutnya, akan digunakan pendekatan ekstraksi fitur pada citra tersebut yang menggabungkan fitur-fitur generic dan struktural dari citra fundus retina. Selain itu, fitur citra juga ditinjau dengan melihat region of interest secara global dan lokal. Selanjutnya, analisis terkait faktor-faktor yang mempengaruhi kualitas citra fundus retina dilakukan dengan serangkaian tahapan seperti eksplorasi fitur dan seleksi fitur. Model juga akan divalidasi melalui hyperparameter tuning. Model yang memberikan performa terbaik dari kombinasi fitur yang terpilih merupakan classifier XGBoost. Model ini memberikan performa precision sebesar 96%, recall sebesar 97%, akurasi sebesar 95%, dan F1-score sebesar 96%.