Diabetes merupakan penyakit kronis yang terjadi akibat gangguan produksi atau pemanfaatan insulin di dalam tubuh. Penyakit ini sering kali tidak menunjukkan gejala awal yang jelas sehingga disebut sebagai silent killer. Salah satu metode alternatif untuk mendeteksi diabetes adalah melalui iridologi, yaitu analisis pola pada iris mata yang dapat mencerminkan kondisi organ dalam, termasuk pankreas.
Namun, pemeriksaan iridologi secara konvensional masih mengandalkan observasi manual menggunakan biomikroskop sehingga bersifat subjektif, memerlukan waktu lama, dan bergantung pada keahlian tenaga medis. Oleh karena itu, penelitian ini mengusulkan pemanfaatan pengolahan citra digital dan machine learning untuk meningkatkan objektivitas dan efisiensi proses deteksi diabetes melalui citra iris. Metode machine learning yang digunakan metode k-Nearest Neighbor (k-NN) dengan membandingkan dua metode ekstraksi fitur tekstur, yaitu Gray Level Co-occurrence Matrix (GLCM) dan Gray Level Run Length Matrix (GLRLM). Perbandingan ini dilakukan untuk mengetahui metode ekstraksi fitur yang memberikan performa terbaik dalam klasifikasi iris normal dan iris penderita diabetes.
Efektifitas penggunaan Machine Learning k-Nearest Neighbor (k-NN)
Metode machine learning k-Nearest Neighbor (k-NN) digunakan dalam penelitian ini sebagai algoritma klasifikasi utama untuk membedakan citra iris pasien normal dan pasien penderita diabetes. K-NN dipilih karena memiliki konsep yang sederhana namun efektif dengan mengklasifikasikan data uji berdasarkan kedekatan jarak dengan sejumlah data latih terdekat. Prinsip kerja metode ini memungkinkan sistem mengenali pola kemiripan antar citra iris secara langsung berdasarkan karakteristik fitur tekstur yang telah diekstraksi melalui GLCM dan GLRLM.
Penggunaan k-NN dalam penelitian ini memperlihatkan bahwa performa model sangat bergantung pada pemilihan nilai k dan representasi fitur tekstur. Variasi nilai k yang digunakan menunjukkan bahwa konfigurasi yang tidak optimal dapat menurunkan stabilitas hasil klasifikasi. Selain itu, meskipun metode ini mampu mengenali pola kemiripan antar citra berdasarkan jarak Euclidean, k-NN masih memiliki keterbatasan dalam menangkap kompleksitas pola tekstur iris yang sangat bervariasi, terutama jika fitur yang digunakan kurang representatif.
k-NN menunjukan efektif digunakan sebagai metode klasifikasi dalam sistem deteksi diabetes berbasis citra iris dan dapat dikembangkan sebagai sistem pendukung keputusan di bidang medis. Dengan pendekatan yang tepat dan optimalisasi fitur yang baik, model ini memiliki potensi untuk diaplikasikan sebagai alat bantu diagnosis yang lebih objektif, cepat, dan efisien.
Metode dan Hasil
Pada tahap awal, citra mata yang diperoleh masih mencakup berbagai bagian seperti pupil, sclera, kelopak mata, bulu mata, dan kelenjar air mata, sehingga dilakukan proses cropping untuk memfokuskan area analisis hanya pada bagian iris. Selanjutnya dilakukan konversi RGB ke grayscale untuk menyederhanakan informasi warna menjadi satu intensitas, serta
normalisasi menggunakan metode rubber sheet agar bentuk iris menjadi seragam. Untuk meningkatkan kualitas citra, digunakan metode CLAHE dengan variasi clip limit 0.01, 0.05, dan 0.1 guna memperbaiki kontras dan mengurangi noise. Setelah itu, dilakukan segmentasi Region of Interest (ROI) pada area iris yang merepresentasikan pankreas di posisi jam 7“8 mata kanan sesuai peta iridologi Bernard Jensen. Area ini dianggap memiliki korelasi dengan indikator diabetes.
Selanjutnya, dilakukan ekstraksi fitur tekstur menggunakan dua pendekatan statistik orde dua, yaitu Gray Level Co-occurrence Matrix (GLCM) dan Gray Level Run Length Matrix (GLRLM). Pada metode GLCM, tekstur dianalisis berdasarkan hubungan intensitas antar pasangan piksel dalam arah 0°, 45°, 90°, dan 135°, dengan fitur yang dihasilkan meliputi contrast, dissimilarity, homogeneity, energy, dan correlation. Sementara itu, GLRLM menganalisis distribusi panjang deretan piksel dengan intensitas seragam melalui fitur Short Run Emphasis (SRE), Long Run Emphasis (LRE), Gray Level Non-Uniformity (GLN), Run Percentage (RP), dan Run Length Non-Uniformity (RLN) yang merepresentasikan pola dan homogenitas tekstur citra.
Fitur-fitur hasil ekstraksi kemudian dikombinasikan dalam beberapa skenario dan digunakan sebagai input pada algoritma klasifikasi k-Nearest Neighbor (k-NN). Nilai k divariasikan menjadi 3, 5, 9, dan 15 untuk menentukan jumlah tetangga terdekat yang paling optimal dalam mengklasifikasikan citra ke dalam dua kelas iris normal dan iris penderita diabetes. Tingkat kemiripan antar data dihitung menggunakan Euclidean distance. Performa sistem dievaluasi menggunakan confusion matrix dengan parameter akurasi, sensitivitas, dan spesifisitas untuk menilai kemampuan model dalam mendeteksi kasus diabetes secara tepat dan membedakannya dari kondisi normal.
Hasil pengujian menunjukkan bahwa GLCM memberikan performa yang lebih baik dibandingkan GLRLM dalam mendeteksi diabetes melalui citra iris. Akurasi tertinggi mencapai 80.95% pada clip limit 0.10, sedangkan GLRLM hanya mencapai 71.43%. Selain itu, sistem menghasilkan sensitivitas sebesar 76% dan spesifisitas 88.23% yang menunjukkan kemampuan model cukup baik dalam membedakan iris penderita diabetes dan normal. Dengan demikian, deteksi diabetes berbasis citra iris menggunakan machine learning terbukti efektif dengan GLCM sebagai metode ekstraksi fitur yang paling optimal dan potensial sebagai alat bantu diagnosis yang lebih objektif dan efisien.
Penulis: Riries Rulaningtyas
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Restuadji, F., Rulaningtyas, R., Purwanti, E., Soelistiono, S., & Qulub, F. (2025). Diabetes detection from iris image using k-nearest neighbor based on texture features. AIP Conference Proceedings, 3346, 030004.
