Implementasi Extreme Learning Machine untuk Klasifikasi Ablasio Retina Hasil Citra Fundus Retina

Abstract

Ablasio retina merupakan kelainan pada retina mata mengakibatkan terlepasnya retina dari jaringan penyokongnya. Ablasio retina dapat memicu terjadinya kehilangan penglihatan yang menetap (kebutaan). Faktor terjadinya ablasio retina yang semakin bertambah tingkat keparahan adalah faktor penuaan, gen, miopia yang tinggi, trauma cedera mata yang parah, operasi katarak, dan inflamasi ocular. Pemeriksaan dalam mendiagnosa ablasio retina melalui funduskopi untuk mengamati adanya pembuluh darah retina sangat pucat yang terlepas dengan terlihat berwarna putih berupa vitreus, lipatan-lipatan bergelombang, dan membengkok di tepi retina. Namun, pemeriksaan diagnosa tersebut dilakukan secara manual oleh tenaga ahli medis mata sehingga dapat memicu hasil pengamatan secara tidak jelas dan berakibat fatal pada gangguan penglihatan. Untuk itu, diperlukan alternatif baru dalam mengklasifikasi ablasio retina. Maka dari itu, penelitian ini mengimplementasikan metode Extreme Learning Machine (ELM) dalam proses klasifikasi ablasio retina. Tahapan yang digunakan dalam penelitian sebelum diklasifikasi adalah resize, green channel, dan contrast sebagai tahap pre-processing dan simple thresholding sebagai tahap image segmentation serta Gray Level Co-Occurrence Matrix (GLCM) sebagai tahap ekstraksi fitur. Pada tahap akhir, citra akan di klasifikasikan dengan Extreme Learning Machine. Penelitian ini menggunakan citra fundus retina berjumlah sebanyak 178 citra yang terbagi atas 133 citra sebagai data latih dan 45 citra sebagai data uji. Hasil penelitian ini mampu mengklasifikasikan ablasio retina dengan perolehan akurasi sebesar 91%.

Retinal detachment is a disorder of the retina of the eye that results in detachment of the retina from its supporting tissue. Retinal detachment can lead to permanent vision loss (blindness). Factors that cause retinal detachment with increasing severity are aging, genes, high myopia, severe eye injury, cataract surgery, and ocular inflammation. Examination in diagnosing retinal detachment through fundoscopy to observe the presence of very pale retinal blood vessels that are detached with a white appearance in the form of vitreous, wavy folds, and bends at the edge of the retina. However, the diagnostic examination is carried out manually by ophthalmologists so that it can lead to unclear observations and possibly fatal visual disturbances. For this reason, a new alternative is needed in classifying retinal detachments. Therefore, this study implements the Extreme Learning Machine (ELM) method in the retinal detachment classification process. The stages used in the research before being classified are resize, green channel, and contrast as the pre-processing stage and simple thresholding as the image segmentation stage and Gray Level Co-Occurrence Matrix (GLCM) as the feature extraction stage. In the final stage, the image will be classified with Extreme Learning Machine. This study uses retinal fundus images totaling 178 images which are divided into 133 images as data latih and 45 images as test data. The results of this study were able to classify retinal detachments with an accuracy of 91%.