Identifikasi Glukoma pada Fundus Retinal Images dengan Pendekatan Pemodelan Statistika

Share on facebook
Share on google
Share on twitter
Share on linkedin
Ilustrasi glukoma. (Sumber: Hello Sehat)

Glukoma adalah penyakit mata yang dikarakterisasi oleh semakin memburuknya ujung saraf optik dan ruang pandang yang dapat mengakibatkan kebutaan. Glukoma dapat dideteksi dengan melihat ukuran piringan optik pada suatu foto fundus digital, tetapi hasil identifikasi foto fundus secara manual dapat menghasilkan salah diagnosis. Untuk mengatasi hal ini, suatu sistem dibangun dengan menggunakan model statistika untuk mengubah piksel image dari retina sehingga dapat membantu dokter dalam menentukan tindakan medis secara cepat dan tepat.

Identifikasi glukoma berdasarkan fundus retinal image dengan pendekatan secara matematika yaitu metode k-nearest neighbor diperoleh ketepatan klasifikasi sebesar 50%. Oleh karena hasil ketepatan klasifikasinya belum memuaskan, dalam artikel ini diusulkan metode baru untuk mengidentifikasi glukoma pada fundus retinal image menggunakan pendekatan model statistika yaitu Generalized Linear Model (GLM) dan Generalized Additive Model (GAM) dengan fungsi penghubung logit, dan untuk memvalidasi ketepatan klasifikasi dalam pengidentifikasian glukoma digunakan uji statistik Press’s Q.

Data yang digunakan dalam penelitian ini adalah 30 retinal fundus images yang dibagi menjadi 15 image retina normal dan 15 image glukoma. Langkah dalam penelitian ini meliputi pemrosesan image, reduksi dimensi, dan identifikasi glukoma menggunakan pendekatan model statistika yaitu GLM dan GAM. Dari 30 observasi direduksi dimensi dengan menggunakan metode Transformasi Wavelet Diskrit (TWD) dan Analisis Komponen Utama (AKU) menjadi 4 prediktor dari 1024 prediktor yang kemudian dimodelkan untuk identifikasi glukoma pada image.

Dengan pendekatan GAM menggunakan estimator penalized spline diperoleh pada nilai parameter smoothing optimal dan orde optimal yang selanjutnya digunakan untuk menentukan nilai awal untuk setiap predictor. Dalam penelitian ini, setiap observasi memiliki nilai awal dan nilai harapan, dan sebagai contoh di sini dibahas hanya untuk observasi ke-17. Untuk kategori image glukoma (Y=0), diperoleh nilai estimasi penalized spline untuk observasi ke-17.

Selanjutnya, ditentukan nilai ambang yang digunakan sebagai cut-off probabilitas untuk mengidentifikasi image glukoma atau image normal. Nilai ambang yang digunakan sebagai acuan cut-off probabilitas yaitu 0,62 berdasarkan nilai akurasi klasifikasi tertinggi.  Nilai = 0,547 < 0,62 maka observasi ke-17 diklasifikasikan sebagai image glukoma.

Berdasarkan pada nilai APPER, dengan pendekatan model regresi parametrik diperoleh nilai ketepatan klasifikasi sebesar 73,3% dan dengan pendekatan model regresi nonparametric sebesar 93,3%. Hal ini berarti bahwa  untuk menentukan nilai ketepatan klasifikasi glukoma pada fundus retinal image, pendekatan model regresi nonparametrik berdasarkan estimator penalized spline adalah lebih baik dari pada pendekatan model regresi parametrik dengan fungsi penghubung logit. Hal ini juga diperkuat oleh hasil validasi akurasi klasifikasi pendekatan model regresi nonparametrik menggunakan Press’s Q.

Karena Press’s Q = 22,53 lebih dari maka pendekatan model regresi nonparametrik berdasarkan estimator penalized spline adalah signifikan untuk identifkasi glukoma pada fundus retinal images.

Akhirnya dapat disimpulkan bahwa identifikasi glukoma pada fundus retinal image menggunakan pendekatan model regresi nonparametrik (GAM) berdasarkan estimator penalized spline adalah lebih baik dari pada pendekatan perhitungan matematis yakni metode k-nearest neighbor, karena dapat meningkatkan akurasi klasifikasi glukoma pada fundus retinal image dari 50% menjadi 93,3%. (*)

Penulis: Nur Chamidah

Informasi detail dari penelitian ini dapat dilihat pada tulisan kami di:https://iopscience.iop.org/article/10.1088/1757-899X/546/5/052010/pdf 

Berita Terkait

UNAIR News

UNAIR News

Media komunikasi dan informasi seputar kampus Universitas Airlangga (Unair).

Leave Reply

Close Menu