Mata adalah salah satu bagian tubuh yang paling penting yang mendeteksi cahaya dan mengubahnya menjadi impuls pada sel-sel saraf. Bagian mata yang sensitif terhadap rangsangan cahaya adalah retina, yang terletak di bagian belakang mata. Ini berarti bahwa peran retina sangat penting dalam sistem penglihatan. Segala jenis kelainan harus ditanggapi dengan cepat untuk menghindari kerusakan lebih lanjut yang dapat mengganggu sistem penglihatan, baik sebagian atau keseluruhan. Ada beberapa kelainan retina, misalnya, Degenerasi Makula Terkait Umur (AMD), Detachment Retina (RD), dan Diabetic Retinopathy (DR).
Salah satu cara untuk membedakan atau mengklasifikasikan gangguan retina ini adalah dengan menggunakan jaringan saraf, dalam hal ini, kami menggunakan Pi Sigma Network (PSN). PSN pertama kali diperkenalkan oleh Shin dan Ghosh pada tahun 1991. Pada arsitektur PSN, mempunyai keunggulan pada proses pembelajarannya, yaitu mampu mengurangi waktu pembelajaran sistem. Selain itu, PSN memberikan kemampuan tingkat tinggi dalam meningkatkan daya komputasi, memberikan kemampuan yang lebih baik dalam mengklasifikasikan, dan membutuhkan lebih sedikit memori. Pada struktur umum PSN, algoritma pembelajarannya menggunakan Gradient Descent Algorithm (GDA). Tetapi dalam penelitian ini, algoritma pelatihan menggunakan Algoritma Pembelajaran Levenberg-Marquardt (LM) karena dapat menyederhanakan optimasi algoritma Newton yang menghasilkan konvergensi yang lebih cepat jika dibandingkan dengan metode GDA dasar.
Pada artikel ini, kita menggunakan gambar fundus retina sebagai data seluruh proses, sehingga memerlukan metode untuk mengurangi nilai gambar tanpa kehilangan banyak informasinya. Jadi kami menggunakan Principal Components Analysis (PCA). PCA adalah persamaan matematika yang digunakan dalam mengurangi dimensi data dan memungkinkan identifikasi standar data dan ekspresinya sehingga persamaan dan perbedaannya ditekankan. Ketika polanya ditemukan, pengompresan bisa dilakukan. PCA juga dapat digunakan sebagai algoritma kompresi gambar dengan tingkat kehilangan informasi yang rendah.
Dataset yang digunakan dalam penelitian ini terdiri dari AMD, DR, normal retina, dan gambar fundus RD yang diperoleh dari Rumah Sakit Mata Masyarakat Surabaya. Setiap kategori memiliki 15 gambar, sehingga total data gambar adalah 60 gambar fundus. Jumlah gambar telah menunjukkan hasil yang baik untuk penelitian ini.
Langkah klasifikasi menggunakan Algoritma Pembelajaran PSN dan LM dimulai dengan memasukkan P dan menginisialisasi parameter yang diperlukan, seperti laju pembelajaran (α), iterasi maksimum, dan target MSE. Kemudian diikuti oleh proses feedforwarding ke lapisan tersembunyi dan lapisan keluaran. Setelah output selesai, barulah menghitung nilai output. Proses pembaruan bobot menggunakan Algoritma Pembelajaran LM adalah langkah selanjutnya dari proses ini. Ketika semua output dari semua kolom matriks telah ditentukan, MSE akan dihitung. Jika MSE masih lebih besar dari target MSE atau iterasi maksimum belum tercapai, maka proses harus dilanjutkan. Selain itu, proses dihentikan, dan proses klasifikasi tercapai.
Dalam penelitian ini, jumlah node input dari layer input dan node tersembunyi dari layer tersembunyi adalah 40 node dan 4 node. Karena alasan ini, ada 164 bobot yang disesuaikan yang menghubungkan lapisan input ke lapisan tersembunyi, seperti yang ditunjukkan pada Tabel 1. Beberapa percobaan telah dilakukan untuk penelitian ini menggunakan berbagai tingkat pembelajaran.
Fokus penelitian ini adalah untuk mengklasifikasikan penyakit retina, dalam hal ini, Degenerasi Makula Terkait Usia (AMD), Retinal Detachment (RD), dan Diabetic Retinopathy (DR). Tahapan yang harus dilakukan untuk mengklasifikasikan mereka adalah, pemrosesan dan reduksi gambar, dan proses klasifikasi. Hasilnya menunjukkan 100% keberhasilan pelatihan dan validasi, menggunakan α=0,6049 dan α=0,4719, dalam mengklasifikasikan penyakit retina menggunakan Levenberg-Marquardt Learning Algorithm untuk metode Pi Sigma Network (PSN) dan Principal Components Analysis (PCA).
Penulis: Aulia Damayanti Berikut link terkait artikel di atas: https://iopscience.iop.org/article/10.1088/1742-6596/1306/1/012048
