Perpustakaan Digital ITB

Retinopati diabetik, yaitu salah satu bentuk komplikasi mikrovaskular diabetes mellitus, merupakan salah satu penyebab utama kebutaan pada populasi usia kerja. Untuk mengurangi risiko kebutaan yang disebabkan oleh retinopati diabetik, deteksi retinopati diabetik pada stadium awal esensial dilakukan. Namun, pendeteksian retinopati diabetik secara manual merupakan sebuah proses yang membutuhkan waktu yang lama dan subjektif. Pada stadium awal, hard exudate muncul sebagai tanda klinis yang menonjol pada citra retina. Hard exudate tampak sebagai spot terang berwarna kuning yang memiliki tepian tajam yang disebabkan oleh kebocoran lipid setelah pecahnya pembuluh retina. Oleh karena itu, pengembangan sistem deteksi otomatis menjadi suatu kebutuhan untuk memudahkan tenaga medis dalam mendiagnosis retinopati diabetik. Di antara metodologi yang sudah ada, segmentasi hard exudate pada citra retina merupakan pendekatan yang cukup menjanjikan. Penelitian ini mengembangkan penelitian Vasmaulidzra yang berhasil melatih model segmentasi hard exudate pada dataset IDRiD menggunakan arsitektur U- Net. Meskipun metrik evaluasi menunjukkan hasil keseluruhan yang baik, model masih menghasilkan sejumlah besar false positive. Penelitian ini berupaya untuk mengatasi permasalahan ini secara komprehensif dengan mengimplementasikan adaptive active contour model (ACM) dan gradient boosting classifier. Gradient boosting classifier digunakan untuk mereduksi lesi false positive, menseleksi lesi yang perlu dioptimasi dengan ACM, dan menentukan nilai parameter ACM yang meliputi arah dan laju evolusi. Parameter ACM yang ditentukan secara rule-based adalah jenis ACM, area ekspansi ACM, smoothing factor, dan kriteria penghentian evolusi. Tujuan utama penelitian ini yaitu untuk mengoptimasi hasil segmentasi, sehingga meningkatkan precision dan kinerja model. Penelitian ini menghasilkan F-score, precision, recall, dan akurasi masing-masing mencapai 0.675 ± 0.120, 0.758 ± 0.092, 0.639 ± 0.170, dan 0.994 ± 0.009, yang merupakan hasil peningkatan rata-rata F-score, precision, recall, dan akurasi masing-masing sebesar 7.8%, 12.5%, 1.8%, dan kurang dari 1% dari nilai metrik semula. Temuan ini menunjukkan keefektifan metodologi yang diiusulkan dalam mengoptimalkan segmentasi hard exudate.