18319010 Ayudha Amari Hirtranusi.pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
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%.