Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus
Abstract
Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.
Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope
References
W. K. Ju, G. A. Perkins, K. Y. Kim, T. Bastola, W. Y. Choi, and S. H. Choi, “Glaucomatous optic neuropathy: Mitochondrial dynamics, dysfunction and protection in retinal ganglion cells,” Jul. 01, 2023, Elsevier Ltd. doi: 10.1016/j.preteyeres.2022.101136.
Y. C. Tham, X. Li, T. Y. Wong, H. A. Quigley, T. Aung, and C. Y. Cheng, “Global prevalence of glaucoma and projections of glaucoma burden through 2040: A systematic review and meta-analysis,” Ophthalmology, vol. 121, no. 11, pp. 2081–2090, Nov. 2014, doi: 10.1016/j.ophtha.2014.05.013.
J. Sains Riset, R. Muna, F. Hayati, and E. Mardalena, “HUBUNGAN TINGKAT PENGETAHUAN PASIEN GLAUKOMA TERHADAP TINGKAT KEPATUHAN PENGGUNAAN OBAT DI RS PERTAMEDIKA,” 1Jurnal Sains Riset, vol. 13, no. 2, p. 633, 2023, doi: 10.47647/jsr.v10i12.
A. Shoukat, S. Akbar, S. A. Hassan, S. Iqbal, A. Mehmood, and Q. M. Ilyas, “Automatic Diagnosis of Glaucoma from Retinal Images Using Deep Learning Approach,” Diagnostics, vol. 13, no. 10, May 2023, doi: 10.3390/diagnostics13101738.
C. De Vente et al., “AIROGS: Artificial Intelligence for Robust Glaucoma Screening Challenge,” IEEE Trans Med Imaging, vol. 43, no. 1, pp. 542–557, Jan. 2024, doi: 10.1109/TMI.2023.3313786.
