Glaukoma merupakan penyakit mata yang merusak saraf optik secara progresif sehingga dapat menyebabkan kehilangan penglihatan secara permanen. Pada stadium awal, glaukoma sering tidak menimbulkan keluhan yang jelas. Banyak penderita baru menyadari penyakit ini ketika sudah berada pada tahap lanjut sehingga penanganan menjadi terlambat. Organisasi Kesehatan Dunia (WHO) menempatkan glaukoma sebagai penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak. Di Indonesia sendiri, angka kejadiannya cukup tinggi dan banyak dialami oleh kelompok usia produktif, yaitu 44“64 tahun. Jika tidak terdeteksi dan ditangani sejak dini, kerusakan penglihatan akibat glaukoma tidak dapat dipulihkan kembali.
Deteksi glaukoma umumnya dilakukan dengan fundoskopi, yakni perekaman citra bagian belakang mata (fundus) untuk melihat struktur penting seperti saraf optik dan pembuluh darah. Namun, interpretasi hasil pemeriksaan masih sangat bergantung pada keahlian tenaga medis, sehingga berpotensi menimbulkan kesalahan penilaian. Oleh karena itu, teknologi kecerdasan buatan (Artificial Intelligence/AI) dikembangkan untuk membantu proses diagnosis menjadi lebih cepat, objektif, dan akurat.
Dalam penelitian ini, peneliti mengembangkan sistem deteksi otomatis glaukoma menggunakan citra fundus retina. Dua jenis fitur penting diekstraksi dari citra, yaitu fitur fraktal yang mampu menggambarkan kompleksitas pola pembuluh darah, dan fitur histogram orde pertama (mean, standar deviasi, skewness, dan entropi) untuk merepresentasikan karakteristik intensitas piksel pada citra. Proses pengolahan citra meliputi ekstraksi kanal hijau, peningkatan kontras menggunakan CLAHE, operasi morfologi, hingga segmentasi pembuluh darah untuk memperoleh fitur yang relevan.
Selanjutnya, data fitur tersebut dianalisis dengan algoritma Extreme Learning Machine (ELM) ” salah satu metode pembelajaran mesin yang memiliki waktu pelatihan sangat cepat namun tetap mampu memberikan hasil klasifikasi yang baik. Penelitian ini juga menggunakan teknik data augmentation berupa flipping dan rotasi sehingga sistem dapat dilatih dengan data yang lebih beragam dan robust.
Hasil pengujian menunjukkan bahwa fitur fraktal saja menghasilkan akurasi sekitar 75“77%, sedangkan kombinasi fitur fraktal dan histogram meningkatkan performa secara signifikan, menghasilkan akurasi pelatihan 100% dan akurasi pengujian 98,89% berdasarkan uji cross-validation. Nilai ini menunjukkan bahwa sistem dapat membedakan mata sehat dan glaukoma dengan sangat tinggi tingkat ketepatannya.
Dengan demikian, sistem deteksi glaukoma otomatis berbasis ELM dan pengolahan citra fundus ini berpotensi menjadi alat bantu klinis di masa depan. Teknologi ini dapat mendukung skrining dini glaukoma secara cepat dan objektif tanpa ketergantungan penuh pada interpretasi manual, sehingga membantu pencegahan kebutaan yang tidak dapat dipulihkan.
Sumber penelitian:
Endah Purwanti, Mustikaningrum, Fingki Sri Marsanti, Soegianto Soelistyono,
Glaucoma detection using extreme learning machine based on histogram and fractal features from retinal fundus images.
AIP Conference Proceedings, ISSN: 0094243X, Volume: 3346, Issue: 1
AIP Conf. Proc. 3346, 030007 (2025)
