PENDETEKSIAN GLAUKOMA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DENGAN ANALISIS OPTIC CUP DAN OPTIC DISK PADA CITRA FUNDUS RETINA
DOI:
https://doi.org/10.36761/hexagon.v6i1.5099Keywords:
Glaucoma, Optic Disc, Optic Cup, CDR, ANN, Deep Learning, Automation DetectionAbstract
Glaukoma merupakan penyakit mata dengan peningkatan tekanan intraokular yang menyebabkan kerusakan saraf optik dan dapat mengakibatkan kebutaan permanen. Untuk mendeteksi glaukoma, dokter spesialis mata umumnya menghitung Cup to Disc Ratio (CDR) melalui analisis citra fundus retina secara manual. Metode ini membutuhkan waktu yang lama dan mengandalkan keahlian dokter sehingga kurang efektif dan akurat. Oleh karena itu, diperlukan suatu sistem otomatis yang dapat mendeteksi glaukoma secara akurat dan efisien. Penelitian ini bertujuan untuk mengevaluasi jumlah dan kombinasi fitur terekstraksi terbaik dalam mendeteksi glaukoma, dengan menggunakan fitur-fitur seperti Rim to Disc Ratio (RDR), Cup to Disk Ratio (CDR), Vertical Cup to Disc Ratio (VCDR), Horizontal Cup to Disc Ratio (HCDR), dan Horizontal to Vertical CDR (HV CDR), serta mengimplementasikan metode klasifikasi Artificial Neural Network (ANN) Back Propagation dengan total data masukan sebanyak 160 citra, 80 citra normal dan 80 citra glaukoma. Penelitian ini menghasilkan akurasi sebesar 97,50% dengan kombinasi CDR dan VCDR.
References
W. R. Perdani, R. Magdalena, and N. K. C. Pratiwi, “Deep Learning untuk Klasifikasi Glaukoma dengan menggunakan Arsitektur EfficientNet,” PERDANI | ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, Apr. 12, 2022.
World Health Organization: WHO, “Blindness and vision impairment,” Aug. 10, 2023. https://www.who.int/news-room/fact-sheets/detail/blindness-and-visual-impairment.
R. Munarto, E. Permata, A. T. Ginanjar, and Universitas Sultan Ageng Tirtayasa, “KLASIFIKASI GLAUKOMA MENGGUNAKAN CUP-TO-DISC RATIO DAN NEURAL NETWORK,” conference-proceeding, 2016.
A. R. Q. Pratika, R. Magdalena, and R. Y. N. Fuadah, “Klasifikasi Glaukoma Menggunakan Artificial Neural Network,” Jurnal Ilmiah FIFO, vol. 12, no. 2, p. 179, Nov. 2020.
S. Virbukait? dan J. Bernatavi?ien?, “Dampak praproses citra fundus mata pada segmentasi objek utama untuk identifikasi glaukoma,” Nonlinear Analysis Modelling and Control , vol. 29, no. 1, hlm. 96–110, November 2023
G. S. Nugraha, B. A. Riyandari, and E. Sutoyo, “RGB Channel Analysis for Glaukoma Detection in Retinal Fundus Image,” 2020 International Conference on Advancement in Data Science, E-learning and Information Systems (ICADEIS), Oct. 2020,
A. A. Lima et al., “Mask Overlaying: a Deep Learning Approach for Individual Optic Cup Segmentation from Fundus Image,” 2020.
H. Fu, J. Cheng, Y. Xu, D. W. K. Wong, J. Liu, and X. Cao, “Joint Optic Disc and Cup Segmentation Based on Multi-Label Deep Network and Polar Transformation,” IEEE Transactions on Medical Imaging, vol. 37, no. 7, pp. 1597–1605, Jan. 2018
A. S. Wilianti and S. Agoes, “Pengolahan Citra untuk Perbaikan Kualitas Citra Sinar-X Dental Menggunakan Metode Filtering,” JETri Jurnal Ilmiah Teknik Elektro, pp. 31–46, Aug. 2019.
F. A. Arini Asep, “Pendeteksian Posisi Plat Nomor Mobil Menggunakan Metode Morfologi dengan Operasi Dilasi, Filling Holes, dan Opening,” JURNAL TEKNIK INFORMATIKA, vol. 8, no. 1, Apr. 2015.
Published
Issue
Section
Copyright (c) 2025 Hexagon
This work is licensed under a Creative Commons Attribution 4.0 International License.
