VALIDITAS APLIKASI ANDROID BERBASIS ALGORITMA...
Transcript of VALIDITAS APLIKASI ANDROID BERBASIS ALGORITMA...
VALIDITAS APLIKASI ANDROID BERBASIS ALGORITMA
INCEPTION V3 SEBAGAI ALAT DIAGNOSTIK RETINOPATI
DIABETIKA MENGANCAM PENGLIHATAN
Oleh
A. F. Marnida Siahaan
NPM : 131221150501
TESIS
Untuk memenuhi salah satu syarat ujian
Guna memperoleh gelar Dokter Spesialis
Program Pendidikan Dokter Spesialis 1
Bagian Kajian Utama Ilmu Kesehatan Mata
DEPARTEMEN ILMU KESEHATAN MATA
FAKULTAS KEDOKTERAN UNIVERSITAS PADJADJARAN
PUSAT MATA NASIONAL RUMAH SAKIT MATA CICENDO
BANDUNG
2020
iii
PERNYATAAN
Dengan ini saya menyatakan bahwa :
1. Karya tulis saya, tesis ini, adalah asli dan belum pernah diajukan untuk
mendapatkan gelar akademik (sarjana, magister dan/atau doktor), baik dari
Universitas Padjadjaran maupun di perguruan tinggi lain.
2. Karya tulis ini adalah murni gagasan, rumusan, penelitian saya sendiri,
tanpa bantuan dari pihak lain, kecuali arahan Tim Pembimbing.
3. Dalam karya tulis ini tidak terdapat karya atau pendapat yang telah ditulis
atau dipublikasikan orang lain kecuali secara tertulis dengan jelas
dicantumkan sebagai acuan dalam naskah dengan disebutkan naskah dan
dengan disebutkan nama pengarang dan dicantumkan dalam daftar pustaka.
4. Pernyataan ini saya buat dengan sesungguhnya dan apabila dikemudian hari
terdapat penyimpangan dan ketidakbenaran dalam pernyataan ini, maka
saya bersedia menerima sanksi akademik berupa pencabutan gelar yang
telah diperoleh karena karya ini, serta sanksi lainnya sesuai dengan norma
yang berlaku di perguruan tinggi.
Bandung, Agustus 2020
Yang membuat pernyataan,
A. F. Marnida Siahaan,dr.
NPM : 131221150501
iv
ABSTRAK
Latar Belakang: Retinopati diabetika adalah penyebab kebutaan terbanyak pada
pasien diabetes melitus, yaitu sekitar 80%. Kebutaan tersebut dapat diturunkan
hingga 90% dengan terapi dini. Meski demikian, keterbatasan jumlah dokter mata
untuk menegakkan diagnosis dapat menghambat percepatan terapi retinopati
diabetika. Aplikasi Android berbasis Algoritma Inception V3 dengan kemampuan
kecerdasan buatan telah dapat melakukan pengenalan foto fundus retinopati
diabetika dari dataset latih. Hal tersebut berpotensi menjawab tantangan akan
besarnya kebutuhan pemeriksaan dan penegakan diagnosis retinopati diabetika
sehingga dapat meningkatkan angka rujukan dan mempercepat terapi retinopati
diabetika mengancam penglihatan guna menurunkan angka kebutaan permanen di
masyarakat.
Tujuan: Untuk mengetahui validitas diagnosis aplikasi android berbasis Algoritma
Inception V3 dalam mendiagnosis retinopati diabetika mengancam penglihatan.
Metode: Penelitian ini merupakan suatu uji diagnostik dengan metode potong
lintang. Sebanyak 147 foto fundus satu lapang pandang portabel midriatika dipilih
secara acak. Foto fundus berasal dari pasien diabetes melitus di unit Oftalmologi
Komunitas, Pusat Mata Nasional Rumah Sakit Mata Cicendo yang didapatkan
secara retrospektif. Uji diagnostik dilakukan pada hasil diagnosis aplikasi Android
dibandingkan dengan seorang ahli vitreoretina yang merupakan baku emas
penegakan diagnosis.
Hasil: Aplikasi Android memiliki sensitivitas sebesar 71,8% (IK 95%: 68% - 76%),
spesifisitas sebesar 76,8% (IK 95%: 73% - 80%), nilai duga positif sebesar 77,7%
(IK 95%: 74% - 81%), nilai duga negatif sebesar 70,6% (IK 95%: 68% - 75%), dan
akurasi sebesar 74,1% (IK 95%: 72% - 77%).
Simpulan: Aplikasi Android berbasis Algoritma Inception V3 tidak valid untuk
mendiagnosis retinopati diabetika mengancam penglihatan.
Kata kunci: retinopati diabetika mengancam penglihatan, Inception V3, validitas
v
ABSTRACT
Introduction: Diabetic retinopathy is the most common cause of blindness in
diabetes mellitus patients, which is about 80%, but early diagnosis and therapy can
reduce blindness by 90%. Nevertheless, the limited number of ophthalmologists can
inhibit the acceleration of therapy. The Android application based on the Inception
V3 Algorithm with artificial intelligence has been able to recognize diabetic
retinopathy fundus photos from training dataset. This has the potential to answer
the large need for diagnosis that can increase referral rates and accelerate visual
threatening diabetic retinopathy (VTDR) therapy to reduce permanent blindness in
the community.
Purpose: To determine validity of the diagnosis of an Android application based
on Inception V3 Algorithm in diagnosing VTDR.
Method: This study is a diagnostic test with a cross sectional method. Fundus
photographs from diabetic patients in Community Ophthalmology unit of Cicendo
National Eye Hospital obtained retrospectively. A total of 147 mydriatic single
visual field portable fundus photographs were selected randomly. Diagnostic test
performed on the diagnosis of Android application compared to a Vitreoretina
expert as the gold standard of diagnosis.
Result: The Android application has 71.8% (CI 95%: 68% - 76%) sensitivity,
76.8% (CI 95%: 73% - 80%) specificity, 77.7% (CI 95 %: 74% - 81%) positive
predictive value, 70.6% (95% CI: 68% - 75%) negative predictive value, and 74.1%
(95% CI: 72% - 77%) accuracy.
Conclusions: Inception V3 Algorithm based Android application invalid for
diagnosing visual threatening diabetic retinopathy
Keywords: visual threatening diabetic retinopathy, Inception V3, validity
iv
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan yang Maha Esa karena atas
karunia dan rahmatNya penulis dapat menyelesaikan tesis ini. Tesis ini disusun
untuk memenuhi syarat guna memperoleh gelar dokter spesialis Progam Pendidikan
Dokter Spesialis 1 (PPDS-1) Ilmu Kesehatan Mata, Fakultas Kedokteran
Universitas Padjadjaran, Pusat Mata Nasional Rumah Sakit Mata Cicendo.
Penulis menyampaikan rasa terima kasih dan hormat kepada Prof. Dr. Rina
Indiastuti, S.E., M.SIE selaku Rektor Universitas Padjadjaran Bandung dan Dr.
Med. Setiawan, dr., AIFM selaku Dekan Fakultas Kedokteran Universitas
Padjadjaran yang telah memberikan kesempatan kepada penulis untuk menempuh
Program Pendidikan Dokter Spesialis 1 Ilmu Kesehatan Mata Fakultas Kedokteran
Universitas Padjadjaran. Penulis juga mengucapkan terima kasih kepada Irayanti,
dr., Sp.M(K), MARS selaku Direktur Utama Pusat Mata Nasional Rumah Sakit
Mata Cicendo, Dr. Feti Karfiati Memed, dr., Sp.M(K), M.Kes., selaku Direktur
Medik dan Keperawatan, dan Pendidikan yang telah memberikan kesempatan dan
kepercayaan untuk dapat belajar dan menggunakan sarana dan prasarana di Rumah
Sakit Mata Cicendo.
Terima kasih yang sebesar-besarnya penulis sampaikan kepada Dr.
Budiman, dr., Sp.M(K), M.Kes., selaku Kepala Departemen Ilmu Kesehatan Mata
Fakultas Kedokteran Universitas Padjadjaran, Dr. Irawati Irfani, dr., Sp.M(K),
M.Kes., sebagai Ketua Program Studi Ilmu Kesehatan Mata Fakultas Kedokteran
Universitas Padjadjaran, dan seluruh staf pengajar Ilmu Kesehatan Mata Fakultas
vii
Kedokteran Universitas Padjadjaran untuk segala ilmu, bimbingan, dukungan,
saran dan motivasi yang sangat luar biasa yang diberikan kepada penulis selama
mengikuti pendidikan hingga selesai.
Penghargaan dan terima kasih yang tak terhingga penulis ucapkan kepada
dr. Mayang Rini, SpM(K), MSc sebagai pembimbing I, Dr. dr. Budiman, SpM(K).,
MKes, sebagai pembimbing II, yang telah meluangkan waktu dan tenaga serta
dengan sabar memberikan bimbingan yang inspiratif, pengarahan, dukungan, dan
masukan serta semangat tanpa henti selama penelitian sampai akhir penyelesaian
tesis ini. Terima kasih pula penulis sampaikan kepada dr. Rova Virgana SpM
sebagai penilai dan grader yang penuh kesabaran melakukan klasifikasi pada
sampel penelitian, Dr. dr. Andika Prahasta, SpM(K)., MKes, sebagai penilai yang
telah meluangkan waktu, dan memberikan masukan yang bermanfaat sehingga tesis
ini dapat diselesaikan dengan baik, serta kepada Dr. Irawati Irfani, dr., Sp.M(K),
M.Kes., sebagai ketua sidang yang telah memimpin sidang dengan luar biasa dan
masukan yang bermanfaat dari awal hingga tesis ini dapat diselesaikan. Ucapan
terima kasih setulusnya kepada seluruh staf pengajar di Departemen Ilmu
Kesehatan Mata yang telah senantiasa membimbing, memberikan ilmu dan terlebih
terima kasih atas keteladanan seluruh staf pengajar yang luar biasa bagi penulis
selama masa pendidikan.
Tak lupa penulis ucapkan terima kasih banyak kepada Nurvita Trianasari,
S.Si., M.Stat atas bantuan analisa data statistik. Kepada konsultan hukum Donny
Siregar, S.H., M.H., & Partners atas konsultasi dan hukum yang diberikan. Teh Usi
sebagai RO (Refractionist Optician) dalam penelitian ini, Bu Yani, Kang Ismail,
viii
Kang Zanil, Kang Yayang, dan Ake atas dukungan kepada penulis dalam
menyelesaikan tesis ini. Terima kasih kepada Ibu Sri Ambarwati, Ibu
Mumbaryatun, Bapak Ajat Sudrajat, dan Kang Ludfi selaku staf sekretariat dan
pustakawan Ilmu Kesehatan Mata Fakultas Kedokteran Universitas Padjadjaran
yang banyak membantu penulis selama masa pendidikan. Penulis mengucapkan
rasa terima kasih kepada seluruh perawat dan karyawan Pusat Mata Nasional
Rumah Sakit Mata Cicendo Bandung atas segala bantuan dan kerjasama kepada
penulis. Rasa terima kasih dan hormat penulis sampaikan kepada seluruh staf
pendidikan Ilmu Kesehatan Mata Fakultas Kedokteran Universitas Padjadjaran atas
ilmu, bimbingan, teladan dan kepercayaan kepada penulis, selama penulis
menjalankan tugas sebagai residen di PMN RS Mata Cicendo.
Terima kasih penulis sampaikan kepada seluruh sahabat, rekan sejawat
residen Ilmu Kesehatan Mata Fakultas Kedokteran Universitas Padjadjaran,
khususnya pada angkatan Maret 2016, yaitu Mita, Joan, Kiki, Lucky, Sindi, Viora,
Yolla, dan Yoyok. Terima kasih atas kebersamaan dan kerjasama yang telah dilalui
bersama selama menempuh pendidikan. Tidak lupa penulis berterima kasih atas
dukungan yang tidak pernah putus kepada teman-teman terkasih, Elfriska, Gusti,
Kambria, Melati, Nidji, dan Oshin. Terima kasih kepada kakak Grace Farinthska
atas semangat dan motivasinya. Terima kasih kepada abang Agam Sihotang yang
selalu menemani dan memberikan dukungan kepada penulis.
Kepada orang tua yang sangat penulis banggakan, Maruli Yamin Siahaan
dan Nunik Eko Sutiwi, terima kasih atas kerja keras dan pengorbanan luar biasa
dalam membesarkan, mendidik, membimbing, memberikan semangat, doa dan
ix
kasih sayang tanpa syarat. Terima kasih telah mengajarkan penulis bahwa
keterbatasan bukan alasan untuk menjadi terbatas. Yang dalam segala
keterbatasannya, Mamak dan Bapak tidak pernah sedikitpun lelah mendukung
penulis. Rasa terima kasih penulis ucapkan kepada adik-adik tersayang Yohanna
Bonatiur Siahaan, Patricia Soligracia Siahaan, dan Midola Nusantara Siahaan yang
telah membantu dalam menyelesaikan tesis ini. Terima kasih juga penulis
sampaikan kepada seluruh keluarga besar, kepada amangboru Solider Siringo-
ringo, S.E., Akt., dan namboru Maphilinda Siahaan, S.H., terima kasih setulusnya
atas hati baik, doa dan dukungan yang luar biasa kepada penulis.
Penulis juga menyampaikan terima kasih kepada semua pihak yang tidak
dapat disebutkan secara satu persatu yang telah membantu penulis dalam
menyelesaikan pendidikan dan tesis ini. Semoga Tuhan Yang Maha Esa membalas
seluruh kebaikan yang telah diberikan kepada penulis.
Bandung, Agustus 2020
Penulis,
Angel Siahaan
x
DAFTAR ISI
LEMBAR PENGESAHAN ................................................................................ . ii
LEMBAR PERNYATAAN ................................................................................ iii
ABSTRAK ........................................................................................................... iv
ABSTRACT .......................................................................................................... . v
KATA PENGANTAR ......................................................................................... vi
DAFTAR ISI ........................................................................................................ x
DAFTAR GAMBAR…………………………………………………………. xiii
DAFTAR TABEL…………………………………………………………….. xiv
DAFTAR LAMPIRAN ....................................................................................... xv
BAB I PENDAHULUAN ............................................................................. 1
1.1 Latar Belakang ................................................................................... 1
1.2 Rumusan Masalah .............................................................................. 5
1.3 Tujuan Penelitian................................................................................ 5
1.4 Kegunaan Penelitian ........................................................................... 5
1.4.1 Kegunaan Ilmiah ................................................................................ 5
1.4.2 Kegunaan Praktis................................................................................ 6
BAB II KAJIAN PUSTAKA, KERANGKA PEMIKIRAN DAN
HIPOTESIS ......................................................................................................... 7
2.1 Kajian Pustaka .................................................................................... 7
2.1.1 Anatomi dan Fisiologi Retina ............................................................ 7
2.1.2 Patofisiologi Retinopati Diabetik ....................................................... 8
xi
2.1.3 Klasifikasi Retinopati Diabetika ........................................................ 10
2.1.4 Skrining Retinopati Diabetik .............................................................. 12
2.1.5 Pemeriksaan Foto Fundus Portabel Satu Lapang Pandang ................ 14
2.1.6 Deep Learning .................................................................................... 15
2.1.7 Algoritma Inception V3 pada Aplikasi Android ................................. 17
2.1.7.1 Dataset ................................................................................................ 18
2.1.7.2 Transfer Learning ............................................................................... 18
2.1.8 Implementasi pada Android ............................................................... 20
2.2 Kerangka Pemikiran ........................................................................... 23
2.3 Premis dan Hipotesis .......................................................................... 24
2.3.1 Premis ................................................................................................. 24
2.3.2 Hipotesis ............................................................................................. 25
2.4 Bagan Kerangka Pemikiran ................................................................ 25
BAB III OBJEK DAN METODE PENELITIAN ........................................ 26
3.1 Objek Penelitian ................................................................................. 26
3.1.1 Kriteria Inklusi ................................................................................... 26
3.1.2 Kriteria Eksklusi ................................................................................. 26
3.1.3 Cara Pemilihan Sampel ...................................................................... 26
3.1.4 Penentuan Ukuran Sampel ................................................................. 27
3.2 Metode Penelitian ............................................................................... 28
3.2.1 Rancangan penelitian ......................................................................... 28
3.2.2 Identifikasi Variabel ........................................................................... 29
3.2.2.1 Definisi Konsepsional Variabel ......................................................... 29
xii
3.2.2.2 Definisi Operasional Variabel ............................................................ 29
3.3.3 Alat dan Cara Kerja ............................................................................ 30
3.3.3.1 Alat ..................................................................................................... 30
3.3.3.2 Cara Kerja .......................................................................................... 30
3.3.4 Rencana Pengolahan Dan Analisis Data ............................................ 31
3.3.5 Pengolahan Data ................................................................................. 32
3.3.6 Analisis Data ...................................................................................... 32
3.3.6.1 Analisis Data Univariat ...................................................................... 32
3.3.6.2 Uji Diagnostik .................................................................................... 33
3.4 Tempat dan Waktu Penelitian ............................................................ 35
3.3 Skema Alur Penelitian ........................................................................ 35
BAB IV HASIL PENELITIAN DAN PEMBAHASAN .............................. 36
4.1 Hasil Penelitian .................................................................................. 36
4.1.1 Karakteristik Objek Penelitian ........................................................... 36
4.1.2 Hasil Uji Diagnostik ........................................................................... 37
4.2 Uji Hipotesis ....................................................................................... 39
4.3 Pembahasan ........................................................................................ 39
BAB V SIMPULAN DAN SARAN .............................................................. 47
5.1 Simpulan............................................................................................. 47
5.2 Saran ................................................................................................... 47
DAFTAR PUSTAKA .......................................................................................... 48
xiii
DAFTAR GAMBAR
Gambar 2.1. Patogenesis Retinopati Diabetika……………................... 9
Gambar 2.2. Foto fundus (A) Normal, (B) PDR……………………...... 10
Gambar 2.3. Skrining Retinopati Diabetika……………………............. 12
Gambar 2.4. Gambaran Terapi yang Dibutuhkan dengan Terapi yang
Telah Diberikan pada VTDR…………………………........
13
Gambar 2.5. Alat Foto Fundus Optomed Smartscope Pro……………..... 15
Gambar 2.6. Perbandingan Neural Network (A) Alur sinyal pada sel
neuron manusia, (B) Hukum perceptron…………………..
16
Gambar 2.7. Arsitektur Network InceptionV3…………………............... 17
Gambar 2.8. Tampilan Autentikasi (A) Halaman login, (B) Halaman
pendaftaran….......................................................................
20
Gambar 2.9. Tampilan Aplikasi (A) Halaman arsip data pasien, (B)
Pengisian data pasien dan (C) Opsi input foto fundus……...
21
Gambar 2.10. Halaman Galeri Pasien……………………......................... 22
xiv
DAFTAR TABEL
Tabel 2.1 Klasifikasi Retinopati Diabetika Berdasarkan ETDRS……....... 11
Tabel 3.1 Definisi Operasional Variabel………………………………… 29
Tabel 3.2 Tabel 2x2 tentang Perbandingan Uji Diagnosis Baru dengan Uji
Diagnosis Baku Emas……………………………………….....
33
Tabel 3.3 Pedoman untuk Memberikan Interpretasi Kategori Nilai
Akurasi…………………………………………………………
34
Tabel 4.1 Karakteristik Objek Penelitian………………………………… 37
Tabel 4.2 Hasil Diagnosa VTDR oleh Seorang Ahli Vitreoretina dan
Aplikasi Android……………………………………………….
38
Tabel 4.3 Validitas Hasil Pemeriksaan Foto Fundus Portabel Dua Lapang
Pandang Midriatika…………………………………………….
38
xv
DAFTAR LAMPIRAN
Lampiran 1 Surat Persetujuan Komite Etik……………………………….. 53
Lampiran 2 Data Hasil Penelitian………………………………………… 54
Lampiran 3 Perhitungan Analisis Statistik………………………………... 65
Lampiran 4 Foto Kegiatan Penelitian dan Hasil Citra Foto Fundus……….. 69
Lampiran 5 Daftar Riwayat Hidup………………………………………... 70
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Penelitian
Diabetes melitus (DM) merupakan penyakit kronis yang menjadi masalah
kesehatan dunia dan termasuk lima besar penyebab kematian disebagian negara
maju yang setiap tahun selalu meningkat jumlahnya. Sekitar tiga ratus dua puluh
tujuh juta penduduk dunia menderita diabetes melitus pada tahun 2017 dan
diperkirakan jumlah tersebut akan naik hampir dua kali lipat pada tahun 2045 yang
dipengaruhi oleh pertumbuhan penduduk, perubahan pola makan, dan gaya hidup
yang tidak sehat. Berdasarkan International Diabetes Federation (IDF) tahun 2017
terdapat sekitar 10,3 juta orang di Indonesia yang berusia 20–79 tahun menderita
diabetes melitus. Penderita diabetes melitus diproyeksikan akan meningkat menjadi
16,7 juta orang pada tahun 2045 di Indonesia.1-4
Komplikasi akibat hiperglikemia kronis pada diabetes melitus akan
mengakibatkan kerusakan jaringan dan organ. Penyebab utama kematian pada
pasien diabetes melitus berupa kelainan ginjal dan arteri. Komplikasi
mikrovaskular pada mata menjadi penyebab utama kebutaan yang tidak dapat pulih
kembali bila telah terjadi kerusakan lanjut. Penderita diabetes melitus memiliki
risiko lima belas kali lebih besar menjadi buta. Menurut LALES (The Los Angeles
Latino Eye Study), selain kasus diabetes melitus yang sudah ada, akan terdapat
pertambahan kasus baru sebanyak 10.4% atau sekitar tiga puluh empat juta
penderita baru dalam empat tahun.5-8
2
Penyebab kebutaan terbanyak pasien diabetes melitus di Amerika Serikat adalah
retinopati diabetika, yaitu sekitar 80% pada usia 20 – 74 tahun. Sebuah penelitian
metaanalisis oleh Yau et al melaporkan bahwa sekitar 34,6% pasien diabetes
melitus menderita retinopati diabetika, 6,96% menderita retinopati diabetika
proliferasi, 6,81% menderita edema makula diabetika dan sekitar 10,2% menjadi
retinopati diabetika yang mengancam penglihatan.5,8-12
Perubahan struktur pembuluh darah retina pada penderita retinopati diabetika
merupakan tanda komplikasi okular yang penting. Skrining retinopati diabetika
pada pasien diabetes melitus merupakan langkah awal mengenali retinopati
diabetika mengancam penglihatan. Penegakan diagnosis retinopati diabetika
mengancam penglihatan dengan segera akan memungkinkan terapi yang lebih dini
dan dapat menurunkan kebutaan hingga 90%. Salah satu cara yang dapat dilakukan
untuk mendapatkan gambaran retina adalah dengan menggunakan foto fundus. Foto
fundus yang ideal untuk skrining retinopati diabetika harus memiliki citra retina
yang berkualitas baik, harganya terjangkau, mudah digunakan dan memberikan
hasil yang cepat.17,18,45
Menurut Umbara dkk, foto fundus portable satu lapang pandang midriatika yang
dinilai oleh seorang ahli mata memiliki sensitivitas 89.3% dan spesifisitas 98.5%
dalam menegakkan diagnosis retinopati diabetika mengancam penglihatan. Namun
demikian penegakan diagnosis retinopati diabetika mengancam penglihatan
memiliki tantangan karena kesenjangan rasio dokter spesialis mata dengan jumlah
penduduk Indonesia. Kesenjangan tersebut mengakibatkan sulitnya mengimbangi
pemeriksaan retinopati diabetika dan penegakan diagnosis secara konvensional.
3
Berdasarkan Halim dkk, pada tahun 2018 tercatat dari sekitar sepuluh ribu pasien
retinopati diabetika mengancam penglihatan, baru terdapat sekitar 2.7% pasien
yang mendapatkan terapi. Diperlukan suatu inovasi teknologi berkualitas yang
mudah digunakan dengan kualitas yang baik untuk melakukan penegakan diagnosis
retinopati diabetika mengancam penglihatan secara massal.34,37,40
Telemedicine dalam dunia oftalmologi telah digunakan di beberapa negara untuk
kepentingan diagnosis dan penapisan retinopati diabetika. Penerapan eyeSmart
EMR oleh LV Prasad Eye menggunakan Cycolps yang menghubungkan telepon
pintar dan slit lamp yang akan mengambil citra foto fundus. Foto fundus tersebut
selanjutnya akan dikirimkan ke rumah sakit jejaring melalui aplikasi Skype
sehingga dokter ahli mata yang bertugas dapat melakukan konseling pada pasien
hingga rencana intervensi operasi bila diperlukan. Harris Helath System di Texas
menggunakan program yang dinamakan IRIS (Intellegent Retinal Imaging System).
Foto fundus yang tersedia harus diunggah ke server lalu diproses oleh program IRIS
yang menentukan apakah pasien dapat dirujuk ke rumah sakit jejaring. Di Indonesia
salah satu penggunaan Artificial Intelligence (AI) yang telah dipublikasikan adalah
penggunaan Cluster Rod - Cone Cell Software untuk menilai buta warna bawaan.
Penggunaan eyeSmart EMR oleh LV Prasad Eye membutuhkan dokter ahli mata
yang terbatas jumlahnya, sedangkan program IRIS oleh Harris Helath System di
Texas membutuhkan koneksi internet yang belum tentu tersedia di seluruh daerah
di Indonesia.11, 45, 52, 53
Unit penelitian program studi Teknik Biomedis ITB (Institut Teknologi
Bandung) telah mengembangkan software sebagai alat diagnostik retinopati
4
diabetika mengancam penglihatan. Software tersebut berupa aplikasi android
dengan metode artificial neural network yang menggunakan arsitektur deep
learning dan algoritma Inception V3 yang dapat dijalankan baik secara online
maupun offline. Aplikasi ini mendapatkan masukan citra foto fundus baik dari data
digital yang terhubung pada alat foto fundus portable maupun dari kamera yang
terpasang pada telepon genggam. Citra fundus tersebut akan dianalisis oleh
software yang kemudian akan menentukan ada tidaknya suatu retinopati
diabetika.24
Aplikasi android dengan algoritma InceptionV3 ini telah diujicobakan
menggunakan dataset Messidor (Methods for Evaluating Segmentation and
Indexing Techniques Dedicated to Retinal Ophthalmology), Messidor-2 dan dataset
e-ophtha. Dataset Messidor terdiri dari 1200 citra fundus mata berwarna, dataset
Messidor-2 adalah ekstensi dari Messidor yang terdiri dari 1744 citra fundus dan
dataset e-ophta terdiri dari 463 citra foto fundus. Hasil keluaran dari aplikasi
algoritma InceptionV3 ini berupa probabilitas suatu citra fundus masuk dalam
kategori retinopati diabetika mengancam penglihatan atau bukan suatu retinopati
diabetika mengancam penglihatan. Algoritma tersebut berhasil diimplementasikan
pada aplikasi android dan berpotensi meningkatkan diagnosis retinopati diabetika
mengancam penglihatan sehingga meningkatkan angka rujukan dan mempercepat
terapi retinopati diabetika mengancam penglihatan yang diharapkan dapat
menurunkan angka kebutaan permanen di masyarakat.22-24
Berdasarkan uraian di atas maka penulis tertarik untuk melakukan penelitian
untuk menilai kemampuan diagnostik aplikasi android berbasis algoritma inception
5
V3 bila dibandingkan dengan diagnosis konvensional oleh seorang ahli vitreoretina
untuk menegakkan diagnosis retinopati diabetika mengancam penglihatan.
Tema sentral:
Prevalensi diabetes melitus tipe 2 yang semakin meningkat mengakibatkan
kejadian retinopati diabetika juga meningkat. Komplikasi okular yang berhubungan
dengan retinopati diabetika mengancam penglihatan terjadi akibat perubahan pada
struktur mikrovaskular retina merupakan penyebab utama kebutaan pada penderita
DM yang dapat dicegah bila diagnosis dan tatalaksana dilakukan sedini mungkin.
Pemeriksaan foto fundus portable satu lapang pandang midriatika telah teruji
mendeteksi retinopati diabetika mengancam penglihatan, namun masih bergantung
pada tenaga ahli mata untuk menginterpretasikan citra foto fundus tersebut untuk
dapat menegakkan diagnosis. Keterbatasan dokter spesialis mata untuk
menegakkan diagnosis retinopati diabetika mengancam penglihatan dapat
menghambat tatalaksana retinopati diabetika. Aplikasi android berbasis algoritma
inception V3 dengan kemampuan Artificial Intellegence (kecerdasan buatan) dapat
melakukan rekognisi citra foto fundus dari dataset, dengan demikian berpotensi
menjawab tantangan akan besarnya kebutuhan pemeriksaan dan penegakan
diagnosis retinopati diabetika mengancam penglihatan sehingga meningkatkan
angka rujukan dan mempercepat terapi retinopati diabetika mengancam penglihatan
yang diharapkan dapat menurunkan angka kebutaan permanen di masyarakat.
1.2 Rumusan Masalah
Apakah aplikasi android berbasis algoritma inception V3 valid untuk
mendignosa retinopati diabetika mengancam penglihatan?
1.3 Tujuan Penelitian
Untuk mengetahui validitas diagnosis aplikasi android berbasis algoritma
inception V3 dalam mendiagnosa retinopati diabetika mengancam penglihatan.
1.4 Kegunaan Penelitian
1.4.1 Kegunaan Ilmiah
Memberikan kontribusi terhadap ilmu pengetahuan di bidang kesehatan mata dalam
pengembangan teknik pemeriksaan untuk menegakkan diagnosis retinopati
6
diabetika mengancam penglihatan secara digital dan massal di masa yang akan
datang.
1.4.2 Kegunaan Praktis
Memberikan alternatif yang lebih mudah untuk menegakkan diagnosis
retinopati diabetika mengancam penglihatan untuk tenaga kesehatan yang
berkaitan dalam kesehatan mata.
Meningkatan angka rujukan retinopati diabetika mengancam penglihatan
di masyarakat sehingga dapat menurunkan angka kebutaan karena
retinopati diabetika.
7
BAB II
KAJIAN PUSTAKA, KERANGKA PEMIKIRAN DAN HIPOTESIS
2.1 Kajian Pustaka
2.1.1 Anatomi dan Fisiologi Retina
Retina adalah struktur neuroepitel yang tipis dan transparan yang terletak di
antara vitreus dan lapisan epitel pigmen retina. Penampang histologis retina yang
dipotong dari dalam ke luar terdiri dari membran limitan interna, lapisan serabut
saraf (akson dari lapisan sel ganglion), lapisan sel ganglion, lapisan pleksiform
interna, lapisan nukleus interna, lapisan membran limitan media, lapisan pleksiform
eksterna, lapisan serabut Henle, lapisan nukleus eksterna, membran limitan
eksterna, dan lapisan sel fotoreseptor (sel batang dan sel kerucut).25,26
Lapisan fotoreseptor yang terdapat pada retina berisi sel batang dan kerucut yang
berfungsi mengubah fotokimia cahaya menjadi potensial aksi energi elektrik
sehingga dapat ditransmisikan ke lobus oksipitalis otak yang akan diinterpretasikan
dalam bentuk bayangan. Retina terbagi menjadi area sentral dan perifer yang
memiliki peran penting dalam fungsi visual, yaitu diskriminasi, persepsi warna,
penglihatan pada kondisi redup, dan penglihatan perifer. Cahaya harus berjalan
melalui seluruh ketebalan retina untuk mencapai fotoreseptor.25,26
Vaskularisasi retina berasal dari arteri oftalmika (cabang pertama dari arteri
karotis interna kanan dan kiri) dan arteri siliaris (berjalan bersama nervus optikus).
Arteri retina sentralis yang merupakan cabang dari arteri oftalmika yang masuk ke
dalam mata dan terbagi menjadi 4 cabang yang masing-masing memperdarahi
8
setiap kuadran retina yang berlokasi di bagian dalam retina. Lapisan retina bagian
luar dimulai dari lapisan pleksiform eksterna mendapatkan suplai oksigen dari
suplai koroid. Darah dari kapiler berakumulasi di cabang vena retina kemudian
menuju vena retina sentralis. Pembuluh darah retina mempunyai 3 lapisan yaitu sel
endotel, sel perisit dan lamina basalis. 25,26
2.1.2 Patofisiologi Retinopati Diabetika
Retinopati diabetika merupakan penyakit yang kronis dan progresif akibat
hiperglikemia jangka panjang yang menyebabkan kerusakan mikrovaskuler..
Kelainan metabolik diabetes menginduksi berlebihnya produksi mitokondria
superoksida dalam sel endotel vaskular, yang kemudian mengarah pada
peningkatan sorbitol melalui jalur poliol, peningkatan aktivitas enzim protein
kinase C (PKC), pembentukan advanced glycation end product (AGE) melalui
pengikatan glukosa dengan berbagai protein secara non enzimatik dan aktivitas
berlebih jalur heksosamin. Jalur ini meningkatkan tingkat spesies oksigen reaktif
intraseluler dan menyebabkan kerusakan sel irreversibel. 27-29
Gambar 2.1 memperlihatkan bahwa pada hiperglikemia berkelanjutan, stres
oksidatif, dan modifikasi epigenetik akan menginduksi peradangan, meningkatkan
kadar sitokin dan kemokin proinflamasi, seperti protein kemoatraktan monosit
(MCP-1), faktor nekrosis tumor α (TNF-α), interleukin 1β (IL-1β), dan IL-6,
meningkat pada mata dengan retinopati diabetika. Pada retinopati diabetika, adhesi
dan infiltrasi sel leukosit serta meningkatnya mediator inflamasi dapat merusak sel
endotel vaskular dan sel-sel neuroglial karena oklusi mikrovaskular. Keadaan ini
menyebabkan penuruan perfusi darah ke retina yang mengakibatkan iskemik. 28-31
9
Kerusakan kapiler ditandai dengan hilangnya perisit, menebalnya membran
basal kapiler, hilangnya sel otot halus pembuluh darah, dan proliferasi sel endotel.
Hilangnya perisit akan menyebabkan lemahnya dinding kapiler retina sehingga
memberikan gambaran mikroaneurisma yang sering merupakan tanda klinis awal
dari retinopati diabetika. 28,32
Gambar 2.1. Patogenesis Retinopati Diabetika
Sumber: Kusuhara32
Penurunan perfusi retina akan menyebabkan iskemik retina yang ditandai
dengan adanya abnormalitas pembuluh darah, intraretinal microvascular
abnormalities (IRMAs), dan kebocoran vaskular yang lebih luas ditandai dengan
bertambahnya perdarahan retina dan eksudat. Iskemia retina yang luas dapat
merangsang faktor angiogenik seperti vascular endothelial growth factor (VEGF).
Faktor ini menginduksi terjadinya neovaskularisasi di diskus optikus dan area retina
lainnya yang mudah pecah dan menimbulkan perdarahan vitreus. Pembuluh darah
10
ini juga dapat mengalami fibrosis. Fibrosis ini menempel pada vitreus terdekat dan
apabila mengalami kontraksi dapat menyebabkan tarikan pada retina, robekan
retina dan ablsio retina traksi (ART).25,27,33
2.1.3 Klasifikasi Retinopati Diabetika
Klasifikasi retinopati diabetika terbagi dua yaitu retinopati diabetika
nonproliferatif dan retinopati diabetika proliferatif, dapat dilihat dalam gambar 2.2
yang terlampir. Derajat keparahan diabetika retinopati dipengaruhi adanya
diabetika makula edema yaitu penebalan makula yang disebabkan
hiperpermeabilitas pembuluh darah retina akibat rusaknya sawar darah-retina.5,25
Gambar 2.2. Foto fundus (A) Normal, (B) PDR Sumber: ICO35
Retinopati diabetika nonproliferatif memiliki karakteristik adanya
mikroaneurisma retina, perdarahan intraretina (blot, dot), hard exudate, soft
exudate/cotton wool spot, intraretinal microvascular abnormalities (IRMA),
venous looping, dan/atau venous beading.5,25
Retinopati diabetika proliferatif memiliki karakteristik berupa pertumbuhan
pembuluh darah baru pada retina dan permukaan posterior dari vitreus. Pada daerah
A B
11
yang berdekatan dengan pembentukan pembuluh darah baru sering tampak jaringan
fibrosa yang dapat menempel pada vitreus dan menyebabkan ablasio retina
sehingga menyebabkan gangguan penglihatan yang berat.5,13,25
Klasifikasi retinopati diabetika menurut Early Treatment Diabetic Retinopathy
Study (ETDRS) didasarkan pada temuan foto fundus midriatika steroskopis tujuh
lapang pandang seperti terlihat pada tabel 2.1 yang terlampir.36
Tabel 2.1 Klasifikasi Retinopati Diabetika Berdasarkan ETDRS
Derajat Keparahan Temuan pada Pemeriksaan Oftalmologi Pupil Lebar
NPDR Ringan Minimal terdapat satu mikroaneurisma, dan definisi lesi
tersebut tidak memenuhi kriteria derajat retinopati yang lain.
NPDR Sedang Perdarahan dan/atau mikroaneurisma pada foto fundus
stereoskopis , dan/atau cotton wool spot, venous beading, atau
IRMA; dan definisi ini tidak memenuhi kriteria derajat NPDR
berat ataupun derajat PDR.
NPDR Berat Cotton wool spots, venous beading, dan IRMA pada dua
kuadran; atau dua dari tiga lesi pada dua lapang pandang
disertai mikronaeurisma pada empat kuadran atau IRMA pada
empat kuadran; dan definisi ini tidak memenuhi kriteria PDR
dini ataupun PDR lanjut.
PDR Dini Pembuluh darah baru; dan definisi kriteria tidak memenuhi
keriteria proliferatif lanjut atau risiko tinggi.
PDR Risiko Tinggi Tampak NVD, dengan atau tanpa disertai perdarahan preretina
atau perdarahan vitreus; atau terdapat perdarahan vitreus
dan/atau perdarahan preretina disertai NVE.
CSME - Edema retina pada atau dalam jarak 500 mikron dari pusat
makula, atau
- Eksudat keras pada dan atau dalam jarak 500 mikron dari
pusat makula dan disertai penebalan retina sekitarnya, atau
- Tampak zona penebalan retina yang melebihi diameter satu
diskus optikus dan berada dalam diameter satu diskus optikus
dari pusat makula.
IRMA, Intraretinal Microvascular Abnormalities; NPDR, Nonproliferative Diabetic
Retinopathy; PDR, Proliferative Diabetic Retinopathy; NVD, Neovascularization of The
Disc; NVE, Neovascularization elsewhere; CSME, Clinically Significant Macular
Edema Sumber: Preferred Practice Pattern, AAO36
Retinopati diabetika mengancam penglihatan (VTDR) didefinisikan sebagai
NPDR berat, PDR atau CSME.36
12
2.1.4 Skrining Retinopati Diabetika
Skrining adalah suatu kegiatan mengidentifikasi secara cepat individu-individu
yang memiliki risiko menderita suatu penyakit dengan menggunakan tes atau
prosedur pemeriksaan lainnya dengan tujuan mencegah suatu penyakit atau akibat
dari penyakit tersebut. Kegiatan skrining memiliki syarat antara lain: memiliki
prevalensi yang cukup besar, angka morbiditas atau mortalitas yang tinggi bila tidak
diterapi, tersedia terapi efektif yang mengubah perjalanan penyakit, memberikan
hasil yang baik bila terapi dilakukan pada fase awal dibandingkan fase lanjut suatu
penyakit. Selain harus dapat diterima oleh masyarakat, skrining harus dapat
dilakukan dengan mudah, biayanya murah tanpa risiko dan tanpa efek samping
sehingga dapat dilakukan pada populasi besar.15,54
Deteksi dini serta penanganan yang tepat terhadap retinopati diabetika
diharapkan dapat menurunkan risiko terjadinya komplikasi kebutaan secara
signifikan. Terapi dini pada pasien retinopati diabetika mengancam penglihatan
dapat menurunkan risiko kebutaan hingga 90%. Gambar 2.3 memperlihatkan alur
skrining retinopati diabetika menurut International Council of Ophthalmology.35, 45
Gambar 2.3. Skrining Retinopati Diabetika
Sumber ICO35
13
Skrining maupun terapi untuk retinopati diabetika mengancam penglihatan
saat ini belum memenuhi kebutuhan aktual masyarakat. Menurut data Road Map of
Visual Impairment Control Program di Indonesia, salah satu faktor yang
menyebabkannya adalah keterbatasan jumlah dokter spesialis mata sehingga belum
cukup memenuhi kebutuhan masyarakat. Selain itu, hasil skrining retinopati
diabetika di Kota Bandung pada tahun 2014 mencatat bahwa kebutuhan skrining
retinopati diabetika pada penderita diabetes yang tidak terpenuhi di Kota Bandung
sangat besar. Gambar 2.4 memperlihatkan bahwa dari perkiraan angka 97.275
pasien diabetes, program ini hanya menemukan 785 pasien, sehingga masih ada
96.490 individu diabetes dalam komunitas yang tidak dijemput oleh kegiatan
ini.34,37
Gambar 2.4 Gambaran Terapi yang Dibutuhkan dengan Terapi yang Telah Diberikan
pada VTDR
Sumber: Halim37
Jumlah pengobatan untuk VTDR juga jauh lebih sedikit daripada jumlah yang
dibutuhkan. Sepanjang tahun 2018, hanya 2,7% penderita retinopati diabetika
mengancam penglihatan yang datang ke rumah sakit untuk perawatan lebih lanjut.
0
2000
4000
6000
8000
10000
12000
VTDR inBandung
VTDRTreatment
Kesenjangan Antara Terapi yang Dibutuhkan dengan Terapi yang Telah Diberikan pada
VTDR
14
Ini menunjukkan kesenjangan besar antara kebutuhan dan perawatan yang ada baik
dengan anti-VEGF, laser atau keduanya jika dibandingkan dengan prevalensi
VTDR di Bandung.37
Pemeriksaan yang dilakukan pada skrining retinopati diabetika dapat terdiri dari
pemeriksaan fisik rutin keadaan umum diabetes melitus serta pemeriksaan fundus
oleh tenaga terlatih untuk mengenali retinopati diabetika. Terdapat bermacam-
macam pemeriksaan fundus untuk menegakkan diagnosis retinopati diabetika
antara lain: oftalmoskopi direk dan indirek, foto fundus warna dan foto digital
midriatika maupun tanpa midriatika.14-17
2.1.5 Pemeriksaan Foto Fundus Portabel Satu Lapang Pandang
Kriteria foto fundus yang ideal untuk skrining retinopati diabetika antara lain harga
alat yang terjangkau, prosedur pengambilan foto mudah sehingga dapat dilakukan oleh
siapa saja, foto yang dihasilkan memiliki resolusi dan kontras yang tinggi sehingga
memungkinkan untuk mendeteksi kelainan pembuluh darah yang kecil, daerah
pencitraan harus mencakup sebagian besar dari polus posterior, serta data yang
dihasilkan adalah data digital sehingga mudah untuk dilakukan transfer data dari daerah
ke pusat pelayanan kesehatan mata yang lebih besar.16,18
Foto fundus portabel (Gambar 2.5) memenuhi syarat untuk skrining retinopati
diabetika karena memiliki prosedur pemeriksaan yang mudah, foto yang dihasilkan
memiliki resolusi dan kontras yang tinggi, dapat mencakup sebagian besar polus
posterior dan data yang dihasilkan adalah data digital. Pada penelitian ini menggunakan
Optomed Smartscope Pro yang memiliki berat 450 gram, portabel, nonkontak, dan
nonmidriatik yang dapat menyimpan foto digital dalam bentuk JPEG dengan
15
lapang pandang 450 dan resolusi 1532 x 1152, serta telah disetujui Food and Drug
Administration (FDA).44
Gambar 2.5 Alat Foto Fundus Optomed Smartscope Pro Sumber: www.optomed.com44
Penilaian derajat kejernihan tampilan citra foto fundus menggunakan sistem
kriteria kejernihan yang diadaptasi dari Nussenbalt dkk. Kriteria Nussenbalt terdiri
dari kelas 0-5. Kelas 0 menunjukkan detail fundus jelas; kelas 1 menggambarkan
tepi diskus optikus dan pembuluh darah halus sedikit kabur; kelas 2 menunjukkan
pembuluh darah halus terlihat tetapi gambarannya kabur; kelas 3 hanya terlihat
pembuluh darah besar dengan tepi diskus kabur; kelas 4 menggambarkan diskus
optikus terlihat namun pembuluh darah di dalamnya tidak terlihat dan kelas 5
menunjukkan didapatkan reflex fundus, tetapi diskus optikus tidak terlihat.49
2.1.6 Deep Learning
Deep learning merupakan teknik yang mempelajari pola fitur langsung dari data
set yang telah dilabel. Teknik ini merupakan proses melatih artificial neural
network (fungsi matematis yang besar dengan jutaan parameter) untuk dapat
melakukan tugas tertentu. Artificial neural network adalah model matematika yang
terinspirasi oleh cara kerja neuron pada otak manusia yang saling berhubungan
16
sehingga informasi dapat mengalir pada setiap neuron tersebut. Sebelum dapat
memahami deep learning, perlu terlebih dahulu dipahami dasar dari prinsip
artificial neural network (Gambar 2.6). 43,48,49
Gambar 2.6. Perbandingan Neural Network (A) Alur sinyal pada sel neuron manusia,
(B) Hukum perceptron Sumber: Standford Lecture51
Prinsip neural network berkembang seiring ditemukannya hukum perceptron
(Gambar 2.6) oleh Rosenblatt, yaitu algoritma yang secara otomatis mempelajari
koefisien weight yang dikalikan kembali dengan fitur masukan untuk menentukan
apakah neuron menimbulkan aksi atau tidak. Dalam supervised learning dan
klasifikasi, algoritma seperti ini digunakan untuk memprediksi kelas yang tepat dari
data. Didefinisikan fungsi aktivasi (f) menerima masukan linear dari masukan
sampel latih x dan vektor weight w, dengan z adalah (z = w1 x1 +…+ wm xm).20,45,51
Jumlah latih terhadap data latih perlu ditentukan atau dengan menentukan
ambang batas toleransi misklasifikasi. Fungsi aktivasi digunakan untuk
mempelajari weight sementara quantizer yang berupa sama dengan fungsi unit step
sebelumnya berperan untuk memprediksi label kelas. Pembaruan dalam algoritma
ini dilakukan berdasarkan seluruh sampel pada dataset latih.20,39
A B
17
2.1.7 Algoritma Inception V3 pada Aplikasi Android
Aplikasi android merupakan sistem operasi berbasis Linux yang dirancang untuk
perangkat bergerak pada layar sentuh seperti pada telepon pintar dan komputer
tablet. Android Software Development Kit (SDK) akan mengkompilasi kode
bersama seluruh data dan dokumen ke dalam suatu android package (APK) dengan
ekstensi “.apk”. Satu APK mencakup seluruh isi dari aplikasi android dan dapat
dijalankan pada perangkat telepon pintar berbasis android.21,43,39
Gambar 2.7. Arsitektur Network InceptionV3 Sumber: Szegedy19
Arsitektur Inception-V3 (Gambar 2.7) merupakan arsitektur deep convolutional
neural network GoogLeNet yang tersusun atas 42 layer, memiliki komputasi yang
efisien dan parameter yang lebih tepat. Klasifikasi image recognition oleh algoritma
inception V3 terhadap dataset Imagenet (lebih dari 15 juta citra berlabel dengan
resolusi tinggi dari 22.000 kategori) memiliki error rate yang rendah. Algoritma
inception V3 ini setidaknya menggunakan 1,2 juta citra latih, 50.000 citra validasi,
dan 100.000 citra uji. Algoritma ini berhasil diimplementasikan pada aplikasi
android dan memberikan akurasi, sensitivitas dan spesifisitas sebesar 88%, 80%
dan 76% secara berurutan.19,42,50
18
2.1.7.1 Dataset
Dataset yang digunakan dalam pengembangan model klasifikasi retinopati
diabetika mengancam penglihatan adalah Messidor, Messidor-2 dan dataset e-
ophta. Messidor (Methods for Evaluating Segmentation and Indexing techniques
Dedicated to Retinal Ophthalmology) adalah suatu proyek oleh TECHNO VISION
pada tahun 2004 yang didedikasikan untuk perkembangan retinopati diabetika oleh
Kementrian Riset dan Pertahanan Prancis.23
Dataset Messidor terdiri dari 1200 citra foto fundus, dataset Messidor-2 adalah
ekstensi dari Messidor untuk retinopati diabetika yang terdiri dari citra retina
berwarna dengan total 1744 citra. Dataset Messidor dan Messidor-2 dapat diakses
publik beserta standar referensi kelasnya. Sebanyak 1017 citra masuk dalam
kategori normal (kelas 0) dan 727 citra masuk ke dalam kategori retinopati
diabetika (kelas 1, 2, 3, dan 4).22-24
Dataset e-ophta berasal dari database program Teleophtha yang dikembangkan
oleh French National Research Agency yang bertujuan untuk mengembangkan
penelitian di bidang retinopati diabetika. Dataset e-ophtha terdiri dari 463 citra foto
fundus berwarna yang dikategorikan oleh dua grup dokter spesialis mata yang
tergabung dalam penelitian tersebut menjadi dua kelas yaitu kelas normal dan kelas
retinopati diabetika mengancam penglihatan.55
2.1.7.2 Transfer Learning
Transfer learning adalah suatu teknik untuk memanfaatkan model yang sudah
dilatih terhadap suatu dataset untuk menyelesaikan permasalahan lain yang serupa
19
dengan cara menggunakannya sebagai ground truth, lalu memodifikasi dan
membaharui parameternya sehingga sesuai dengan dataset yang baru. Transfer
learning diterapkan dengan menggunakan Python 3.6 dan library TensorFlow
dengan prosesor Tesla K80 GPU. Proses ini menerima masukan citra, dari dataset
yang tersedia. 22,24,41
Algoritma transfer learning akan menganalisis seluruh citra masukan,
menghitung, dan menyimpan nilai bottleneck masing-masing citra. Tahap ini
menghasilkan vektor fitur citra yang dapat digunakan layer pengklasifikasi untuk
membedakan citra ke kelas-kelas yang diminta. Vektor ini menyimpan kesimpulan
yang bermakna dari citra dan memiliki informasi yang cukup untuk melakukan
pilihan yang tepat. 22,24
Proses pelatihan diatur untuk berlangsung sebanyak 4.000 kali. Citra yang
digunakan dalam pelatihan dipilih secara acak dari training set, lalu bottleneck-nya
diteruskan kepada layer terakir untuk mendapatkan prediksi. Selagi proses
pelatihan dan validasi berlangsung, akurasi yang ditampilkan pada layar semakin
membaik. 22,24
Setelah proses pelatihan usai, dilakukan evaluasi terhadap data uji yang terpisah
dari data latih dan data validasi. Evaluasi akhir ini merupakan perkiraan terbaik dari
performa dalam melakukan klasifikasi. Nilai akurasi dapat bervariasi +- 5%, angka
diperoleh berdasarkan persentase citra yang diprediksi oleh model yang telah dilatih
bernilai benar berdasarkan label atau ground truth yang ada. 22,24
20
2.1.8 Implementasi pada Android
Tampilan antar muka pengguna aplikasi android inception V3 pada telepon
pintar terdiri dari halaman autentikasi dan proses aplikasi. Halaman login dan
pendaftaran (Gambar 2.8) ditujukan untuk menjaga keamanan pengguna aplikasi.
Dengan adanya autentikasi, aplikasi hanya dapat diakses oleh pengguna yang
terdaftar sebelumnya. Setelah login berhasil akan masuk pada halaman pendaftaran
yang menerima masukan nama institusi, alamat institusi, username, password,
konfirmasi password, dan PIN (Personal Identification Number) yang hanya
diketahui oleh admin. Pendaftaran hanya dapat dilakukan oleh admin dengan
memasukkan nama pengguna dan password yang telah terdaftar. 24
Gambar 2.8 Tampilan Autentikasi 1 (A) Halaman login, (B) Halaman pendaftaran,
Tampilan halaman arsip data dapat dilihat pada Gambar 2.9(a) yang bertujuan
untuk menampilkan preview dari seluruh arsip data pasien serta dapat pula
menambahkan data baru. Halaman arsip data pasien pada aplikasi ini menyimpan
A B
21
dan menampilkan seluruh data pasien mulai dari data yang paling baru diambil.
Terdapat fitur pencarian pada toolbar aplikasi untuk mencari data dari pasien yang
sama berdasarkan ID (identitas) pasien. Data yang ditampilkan dalam jumlah tak
hingga dan pengguna dapat melakukan scroll pada layar untuk mengakses lebih
banyak data. Halaman utama dilengkapi floating button yang berfungsi untuk
mengakses halaman input data baru pasien.24
Gambar 2.9 Tampilan Aplikasi (A) Halaman arsip data pasien, (B) Pengisian data pasien
dan (C) Opsi input foto fundus
Tampilan halaman pengisian data pasien pada Gambar 2.9(b) dapat diakses
dengan aksi tap/klik pada floating button di halaman pendaftaran. Pada halaman
pengisian data pasien, subsistem antarmuka pengguna menerima masukan dari
pengguna antara lain ID pasien, nama depan dan belakang, tanggal lahir, tanggal
pengambilan data, dan keterangan posisi mata yang diambil (kiri/kanan). Halaman
ini dilengkapi widget edit text untuk menerima masukan ID pasien dan nama,
B
A B C
22
kalender untuk menerima masukan tanggal, dan radiobutton untuk menerima
pilihan posisi mata.24
Setelah menerima instruksi pengambilan data, maka pada Gambar 2.9(c).akan
dialihkan pada dua opsi. Opsi pertama dapat dilakukan pengambilan data dari galeri
berupa data digital dan opsi kedua pengambilan data dilakukan oleh kamera telepon
selular.
Gambar 2.10 Halaman Galeri Pasien
Secara otomatis aplikasi akan dialihkan pada halaman galeri data pasien yang
yang dapat dilihat pada Gambar 2.10. Halaman ini menampilkan gambaran akuisisi
citra fundus yang menampilkan keseluruhan data pasien dan dapat diakses melalui
halaman utama dengan menekan preview data pasien yang dikehendaki. 24
23
2.2 Kerangka Pemikiran
Retinopati diabetika merupakan penyakit yang kronis dan progresif akibat
hiperglikemia jangka panjang yang menyebabkan kerusakan mikrovaskuler.
Kerusakan kapiler ditandai dengan hilangnya perisit, menebalnya membran basal
kapiler, hilangnya sel otot halus pembuluh darah, dan proliferasi sel endotel.
Hilangnya perisit akan menyebabkan lemahnya dinding kapiler retina sehingga
memberikan gambaran mikroaneurisma yang sering merupakan tanda klinis awal
dari retinopati diabetika. 28,32
Evaluasi retinopati diabetika dapat dilakukan dengan pemeriksaan foto fundus
satu lapang pandang midriatik menggunakan alat foto fundus portabel yang dengan
lapang pandang 45° dan resolusi 5 megapiksel. Pemeriksaan retina dengan foto
fundus portable satu lapang pandang memerlukan kondisi pupil dilatasi
pemeriksaan untuk mendapatkan area pemeriksaan retina yang lebih luas. Citra foto
fundus tersebut selanjutnya akan diinterpretasi oleh dokter mata untuk dapat
menegakkan diagnosis dengan sensitivitas sebesar 89.3% dan spesifisitas sebesar
99%.6,12,18
Hasil skrining retinopati diabetika di Kota Bandung pada tahun 2014 mencatat
terdapat sekitar 97.275 penderita diabetes yang belum terpapar skrining retinopati
diabetika. Pasien yang datang ke rumah sakit untuk mendapatkan terapi retinopati
diabetika mengancam penglihatan tercatat hanya mencapai sebesar 2.7% pada
tahun 2018. Selain itu, keterbatasan jumlah dokter spesialis mata sehingga belum
cukup memenuhi kebutuhan masyarakat. Hal tersebut menunjukkan kesenjangan
yang besar antara terapi yang telah dilakukan dengan kebutuhan di masyarakat.34,37
24
Penilaian digital terhadap foto fundus dengan retinopati diabetika mengancam
penglihatan memiliki potensi untuk menjawab tantangan tersebut. Arsitekstur
artificial neural network pada Inception V3 terinspirasi oleh cara kerja neuron pada
otak manusia, dan dengan fungsi matematisnya dapat mempelajari suatu pola pada
dataset latih. Kemampuan image recognition untuk mendiagnosis retinopati
diabetika mengancam penglihatan diharapkan memudahkan penegakan diagnosis
sehingga dapat meningkatkan angka terapi.19-,21,24
2.3 Premis dan Hipotesis
2.3.1 Premis
Berdasarkan tinjauan pustaka dan kerangka pemikiran di atas maka dapat
ditarik premis sebagai berikut:
Premis 1 : Klasifikasi derajat retinopati diabetika secara umum dilihat
berdasarkan perubahan struktur mikrovaskular retina yang dapat
diperiksa dengan menggunakan foto fundus.6,8
Premis 2 : Citra foto fundus satu lapang pandang dalam pupil midriatika
memerlukan interpretasi oleh dokter mata untuk dapat menegakkan
diagnosis retinopati diabetika mengancam penglihatan.40
Premis 3 : Dokter ahli mata yang dapat menegakkan diagnosis retinopati
diabetika mengancam penglihatan terbatas jumlahnya sedangkan
kebutuhan skrining dan terapi retinopati diabetika mengancam
penglihatan masih sangat besar.34,37
Premis 4 : Aplikasi android berbasis algoritma inception V3 dapat melakukan
image recognition untuk mendiagnosis retinopati diabetika
25
mengancam penglihatan pada citra foto fundus dan berpotensi
menjawab tantangan yang ada di masyarakat.24
2.3.2 Hipotesis
Aplikasi android berbasis algoritma inception V3 valid untuk mendiagnosa
retinopati diabetika mengancam penglihatan.
2.4. Bagan Kerangka Pemikiran
Diabetes Melitus
Skrining Retinopati
Diabetika
Foto Fundus Satu
Lapang Pandang Pada
Pupil Midriatika Aplikasi Android Ahli Vitreoretina
VTDR
(?) Valid (+)
No VTDR No VTDR VTDR
Rujuk
Menurunkan Angka Kebutaan
Penurunan perfusi retina iskemia retina intraretinal microvascular
abnormalities (IRMAs) kebocoran vascular yang lebih luas perdarahan
retina dan eksudat
26
BAB III
OBJEK DAN METODE PENELITIAN
3.1 Objek Penelitian
Objek penelitian adalah citra foto fundus satu lapang pandang midriatika
penderita DM tipe2 yang terdapat di PMN RS Mata Cicendo Bandung dalam
rentang waktu 2018-2019.
3.1.1 Kriteria Inklusi
Kriteria inklusi penelitian ini adalah citra foto fundus dari penderita DM tipe 2
berusia 20-79 tahun dengan retinopati diabetika mengancam penglihatan dan tanpa
retinopati diabetika mengancam penglihatan dalam kondisi pupil dilatasi dengan
kualitas gambar foto fundus baik, yaitu derajat kejernihan 0 dan 1 menurut kriteria
Nussenbalt serta belum pernah mendapat terapi retinopati diabetika.49
3.1.2 Kriteria Eksklusi
Kriteria eksklusi penelitian ini adalah citra foto fundus yang tidak dapat
diinterpretasi secara optimal yang dapat diakibatkan kekeruhan media refraksi,
seperti kelainan distrofi, sikatrik kornea, katarak maupun kekeruhan vitreus.
3.1.3 Cara Pemilihan Sampel
Sampel penelitian ini menggunakan data sekunder berupa foto fundus satu
lapang pandang midriatika yang berasal dari hasil foto fundus pasien yang terdapat
di PMN RS Mata Cicendo, khususnya unit Oftalmologi Komunitas dikarenakan
kondisi pandemi Covid-19 saat penelitian berlangsung. Sebanyak 1602 foto fundus
27
satu lapang pandang midriatika didapatkan dari unit Oftalmologi Komunitas PMN
RS Mata Cicendo yang tersimpan dalam rentang waktu 2018 sampai dengan 2019.
Kemudian seorang ahli vitreoretina menetapkan 312 foto fundus satu lapang
pandang midriatika yang memenuhi kriteria inklusi. Pemilihan sampel dilanjutkan
secara acak dengan menggunakan program komputer sesuai dengan jumlah sampel
yang telah ditetapkan dalam penelitian ini.
3.1.4 Penentuan Ukuran Sampel
Sampel diambil dari subjek penelitian yang memenuhi kriteria inklusi dan
eksklusi. Penentuan besar sampel dilakukan berdasarkan perhitungan statistik
dengan menetapkan taraf kepercayaan 95%. Maka besar sampel ditentukan
berdasarkan rumus penentuan besar sampel untuk penelitian uji diagnostik dengan
keluaran sensitivitas dengan mempertimbangkan nilai sensitivitas pemeriksaan dari
penelitian sebelumnya minimal sebesar 80% dengan memilih taraf kepercayaan
95% dan presisi 20%.47,48
Angka kejadian atau prevalensi pada penelitian sebelumnya sebesar 10.2%.
Dengan menggunakan Zα yang diperoleh dari tabel distribusi normal standar,
didapat nilainya sesuai untuk Zα = 1,96, maka menggunakan rumus besar sampel
didapatkan jumlah sampel minimal.47,48
Dengan menggunakan rumus penentuan besar sampel untuk penelitian uji
diagnostik dengan keluaran sensitivitas, maka digunakan rumus besar sampel
sebagai berikut, yaitu: 47,48
N = p (1-p) (Zα / d)2
28
dengan :
N = Jumlah sampel yang dibutuhkan
Zα = Nilai Z dari tabel distribusi normal untuk taraf kepercayaan 95% (Z = 1,96)
Sen = Sensitivitas minimal berdasarkan yang diharapkan (80%=0,8)
d = Presisi (20,0%)
P = Prevalensi kejadian (34,6% = 0,102)
Berdasarkan rumus di atas diperoleh:
N = 15.36 ≈ 15
Berdasarkan perhitungan di atas, diperoleh jumlah sampel minimal yaitu 15
mata pasien. Berdasarkan rumus di atas diperoleh n= sampel citra foto fundus.
Menghitung besar sampel keseluruhan dengan prevalensi retinopati diabetika
sebesar 10,2% maka diperoleh:
n’ = n / prevalensi
dimana :
n’ = besar sampel untuk uji diagnostik
n = besar sampel yang didiagnosis positif oleh baku emas
Berdasarkan perhitungan di atas maka diperlukan ukuran sampel n’= 147 citra
foto fundus.
3.2 Metode Penelitian
3.2.1 Rancangan penelitian
Penelitian ini merupakan rancangan uji diagnostik yaitu mencari validitas
aplikasi android berbasis algoritma inception V3 dibandingkan dengan diagnosis
oleh seorang ahli vitreoretina berdasarkan hasil foto fundus portable satu lapang
29
pandang midriatika pada penderita DM tipe 2 untuk menegakkan diagnosis
retinopati diabetika mengancam penglihatan.46-48
3.2.2 Identifikasi Variabel
3.2.2.1 Definisi Konsepsional Variabel
Variabel bebas pada penelitian ini adalah diagnosis berdasarkan aplikasi android
berbasis algoritma inception V3 dan diagnosis oleh seorang ahli vitreoretina
berdasarkan citra foto fundus portable satu lapang pandang midriatika. Variabel
tergantung adalah retinopati diabetika mengancam penglihatan atau tidak ada
retinopati diabetika mengancam penglihatan sebagai hasil interpretasi kedua teknik
pemeriksaan tersebut.
3.3.2.2 Definisi Operasional Variabel
Tabel 3.1 Definisi Operasional Variabel
Variabel
Definisi Operasional
Alat Ukur
Hasil Ukur
Skala
Retinopati
diabetika
mengancam
penglihatan
Komplikasi
mikrovaskular yang
didefinisikan sesuai
kriteria ETDRS.
Foto fundus
portabel satu
lapang
pandang
Status retinopati
diabetika
mengancam
penglihatan
Biner
Aplikasi
android
berbasis
algoritma
inception V3
Arsitektur deep
convolutional neural
network GoogLeNet
yang tersusun atas 42
layer, memiliki
komputasi yang
efisien dan parameter
tepat sehingga dapat
melakukan klasifikasi
terhadap dataset.
Foto fundus
portabel satu
lapang
pandang
Status retinopati
diabetika
mengancam
penglihatan
Biner
30
Pupil dilatasi
atau midriatik
Ukuran pupil lebih
dari 5 mm setelah
diberikan obat
midriatika topikal
yang diukur dengan
menggunakan skala
ukur pada slit lamp.
Slit lamp
Milimeter Numerik
Kualitas foto
fundus baik
Detail fundus jelas
(kriteria nussenbalt 0)
atau pembuluh darah
halus dan tepi diskus
optikus sedikit kabur
(kriteria nussenbalt 1)
sehingga dapat dinilai
oleh ahli vitreoretina.
Foto fundus
satu lapang
pandang
Baik atau Tidak
Baik
Ordinal
3.3.3 Alat dan Cara Kerja
3.3.3.1 Alat
- Telepon genggam dengan spesifikasi android 8.1.0 tanpa koneksi
internet
- Aplikasi android berbasis algoritma inception V3
- Komputer dengan sistem operasi Microsoft Windows
3.3.3.2 Cara Kerja
1. Terkait pandemi Covid-19 saat penelitian berlangsung, sampel
menggunakan data sekunder berupa foto fundus satu lapang pandang
midriatika yang didapatkan dari unit Oftalmologi Komunitas PMN RS Mata
Cicendo.
2. Sebanyak 1602 foto fundus satu lapang pandang midriatika didapatkan dari
unit Oftalmologi Komunitas PMN RS Mata Cicendo yang tersimpan dalam
rentang waktu 2018 sampai dengan 2019.
31
3. Seorang ahli vitreoretina menetapkan 312 foto fundus satu lapang pandang
midriatika yang memenuhi kriteria inklusi dalam bentuk data digital yang
telah terkumpul dalam keadaan anonim.
4. Pemilihan sampel dilanjutkan secara acak dengan menggunakan program
komputer sesuai dengan jumlah sampel yang telah ditetapkan dalam
penelitian ini, yaitu sebanyak 147 sampel berupa foto fundus satu lapang
pandang midriatika.
5. Sebanyak 147 foto fundus yang memenuhi kriteria inklusi oleh seorang ahli
vitreoretina dilakukan diagnosis oleh seorang fotografer teknisi terlatih
yaitu Refractionist Optician (RO) unit Oftalmologi Komunitas dengan
menggunakan aplikasi android yang telah terprogram dalam sebuah telepon
genggam tanpa koneksi internet.
6. Membandingkan diagnosis retinopati diabetika mengancam penglihatan
oleh seorang ahli vitreoretina dengan aplikasi android berbasis algoritma
inception V3 berdasarkan citra foto fundus non portable satu lapang
pandang kemudian dihitung secara statistik untuk analisis uji diagnostik.
3.3.4 Pengolahan Dan Analisis Data
Analisis data untuk melihat gambaran proporsi masing - masing variabel yang
akan disajikan secara deskriptif dapat diuraikan menjadi analisis deskriptif dan uji
hipotesis. Untuk variabel dan karakteristik sampel berupa data kategorik seperti
jenis kelamin dan pekerjaan pasien maka diberikan koding dan dipresentasikan
sebagai distribusi frekuensi dan persentase.47,48
32
Analisis yang dilakukan harus sesuai dengan jenis masalah penelitian dan data
yang digunakan. Analisis data univariat pada variabel kategorik untuk melihat
gambaran proporsi dari masing masing variabel yang akan disajikan secara
deskriptif.47,48
3.3.5 Pengolahan Data
Cara pengolahan data dalam penelitian ini meliputi beberapa tahap, yaitu:46,48
1. Editing, yaitu data yang telah dikumpulkan kemudian dilakukan pemilahan
untuk menjaga validitas, reliabilitas, dan akurasinya.
2. Coding, yaitu data yang telah diedit kemudian diberikan kode sesuai klasifikasi
data yang telah ditentukan.
3. Data Entry, yaitu data yang telah diedit serta diberi kode diolah menggunakan
program SPSS versi 24.0 for windows yakni program pengolahan data statistik
yang bertujuan untuk mempercepat proses analisis dan memberikan hasil yang
akurat dan tepat.
3.3.6 Analisis Data
Data yang diperoleh dicatat dalam formulir penelitian yang telah dibuat,
kemudian dilakukan editing, verifikasi, coding dan data entry, selanjutnya
dilakukan analisis data.46,48
3.3.6.1 Analisis Data Univariat
Analisis data univariat bertujuan mendiskripsikan variabel-variabel dependen
dan independen sehingga dapat membantu analisis bivariat lebih mendalam. Selain
itu digunakan juga untuk mengetahui karakteristik dan status klinis pasien yang
33
menjadi sampel penelitian. Analisis data univariat juga melihat gambaran proporsi
dari masing-masing variabel yang akan disajikan secara deskriptif.46,48
3.3.6.2 Uji Diagnostik
Diagnosis merupakan proses yang sangat penting dalam kedokteran klinik. Oleh
karena kemajuan dalam bidang teknologi kedokteran saat ini para klinisi
dihadapkan pada berbagai teknik diagnostik yang sangat kompleks. Uji diagnostik
adalah suatu analisis untuk membantu para klinisi guna mengambil keputusan
berdasarkan bukti dan pendekatan probabilistik dalam menilai akurasi suatu
pemeriksaan. Dalam menganalisis hasil suatu uji diagnostik, kita harus menentukan
sensitivitas, spesifisitas, nilai prediktif positif, nilai prediktif negatif, dan akurasi
suatu alat baru.46,48
Berikut terlampir tabel 2x2 tentang perbandingan uji diagnosis baru dengan uji
diagnosis baku emas.46,48
Tabel 3.2 Tabel 2x2 tentang Perbandingan Uji Diagnosis Baru dengan Uji Diagnosis
Baku Emas
Baku Emas/ Diagnosis oleh Ahli
Vitreoretina
Pasien dengan VTDR Pasien tanpa VTDR
Diagnosis
oleh aplikasi
Inception V3
Pasien dengan
VTDR Positif sejati
a
Positif palsu
b
Pasien tanpa
VTDR Negatif Palsu
c
Negatif sejati
d
Sumber: Sudigdo48
Rumus utk menghitung parameter diagnostik: sensitivitas = a/(a+c); spesifitas =
d/(b+d); nilai duga positif = a/(a+b); nilai duga negatif = d/(c+d) dan akurasi =
(a+d)/N. Sensitivitas a/(a+c) menunjukkan kemampuan alat diagnostik untuk
mendiagnosa retinopati diabetika dan kemungkinan hasil uji diagnostik akan positif
bila dilakukan pada sekelompok subjek dengan DM tipe 2. Spesifisitas d/(b+d)
34
menunjukkan kemampuan alat diagnostik untuk menentukan bahwa tidak terdapat
retinopati diabetika dan kemungkinan hasil akan negatif bila dilakukan pada
sekelompok subjek yang sehat. Nilai duga positif (positive predictive value) a/(a+b)
merupakan probabilitas seseorang menderita retinopati diabetika apabila uji
diagnostiknya positif. Nilai duga negatif (negative predictive value) d/(c+d)
merupakan probabilitas seseorang tidak menderita retinopati diabetika apabila uji
diagnostiknya negatif.46,48
Langkah - langkah uji statistik pada penelitian ini sebagai berikut :
1. Dilakukan uji diagnostik yaitu dengan memasukkan data ke dalam tabel 2x2
dan menilai parameter uji diagnostik.
2. Dilakukan perhitungan akurasi alat baru. Tabel 3.3 memperlihatkan kategori
nilai akurasi secara statistik:
Tabel 3.3 Pedoman untuk Memberikan Interpretasi Kategori Nilai Akurasi
Kategori Nilai Akurasi Tingkat interpretasi
50% – 60% Sangat lemah
60% – 70% Lemah
70% – 80% Sedang
80% – 90% Kuat
90% – 100% Sangat kuat
Sumber: SPSS46
3. Adapun kriteria kemaknaan hasil uji statistik yang digunakan adalah nilai p
apabila p≤0,05 signifikan atau bermakna secara statistika, dan p>0,05 tidak
signifikan atau tidak bermakna secara statistik. Data yang diperoleh dicatat
dalam formulir khusus kemudian diolah melalui program SPSS versi 24.0 for
Windows.46
35
3.4 Tempat dan Waktu Penelitian
Penelitian dilakukan di Pusat Mata Nasional Rumah Sakit Mata Cicendo,
Bandung. Penelitian berjalan pada bulan Juli 2020, setelah mendapatkan
persetujuan dari bagian Ilmu Kesehatan Mata dan Komite Etik Fakultas Kedokteran
Universitas Padjadjaran.
3.5 Skema Alur Penelitian
Citra foto fundus portabel satu lapang pandang pada pupil midriatika
Diagnosis seorang ahli vitreoretina
Dilakukan analisis statistik uji diagnostik
Kualitas layak baca citra foto fundus yang memenuhi kriteria inklusi
dinilai oleh seorang ahli vitreoretina sebanyak 312 foto fundus
Disimpan dalam Smartscope Pro (Optomed, Oulu, Finland) dalam bentuk JPEG
Diagnosis oleh aplikasi (RO)
Pemilihan sampel secara acak sesuai jumlah sampel yang telah ditetapkan sebanyak
147 foto fundus satu lapang pandang midriatika menggunakan program komputer
Unit Oftalmologi Komunitas PMN RS Mata Cicendo tahun 2018-2019 sebanyak
1602 foto fundus
36
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
Total sampel dalam penelitian ini yang memenuhi kriteria inklusi adalah 147
foto fundus midriatika satu lapang pandang dari 112 pasien DM tipe 2 usia 20
sampai dengan 79 tahun. Hasil penelitian yang disajikan meliputi karakteristik
pasien sampel penelitian berupa usia dan jenis kelamin serta hasil uji diagnostik
berupa nilai sensitivitas, nilai spesifisitas, nilai duga positif, nilai duga negatif serta
akurasi dari diagnosis citra foto fundus satu lapang pandang midriatika oleh aplikasi
android terhadap diagnosis citra foto fundus satu lapang pandang midriatika oleh
seorang ahli vitreoretina.
4.1 Hasil Penelitian
4.1.1 Karakteristik Objek Penelitian
Teknik pengambilan sampel yang digunakan adalah pengambilan sampel acak
hingga memenuhi kriteria inklusi sampai jumlah sampel minimal terpenuhi. Sampel
yang memenuhi kriteria inklusi memiliki karakteristik usia dan jenis kelamin
terdapat dalam tabel 4.1 yang terlampir.
Tabel 4.1 memberikan gambaran bahwa terdapat total 147 citra foto fundus dari
112 pasien DM tipe 2 yang memenuhi kriteria inklusi dengan rerata usia 55,16 ±
8,704 tahun dan rentang usia mulai 38 tahun hingga 77 tahun. Penderita DM
terbanyak dalam penelitian ini berada pada usia dekade ke-5 (51-60 tahun)
37
sebanyak 48 pasien (42,9%) dan jenis kelamin terbanyak adalah perempuan
sebanyak 71 orang (63,4%).
Tabel 4.1 Karakteristik Objek Penelitian
Karakteristik
Jumlah (n)
n = 112
%
Usia (Tahun)
31-40 2 1,8
41-50 32 28,5
51-60 48 42,9
61-70 23 20,6
71-79
7 6,2
Jenis Kelamin
Laki-laki 41 36,6
Perempuan
71 63,4
4.1.2 Hasil Uji Diagnostik
Perhitungan hasil penilaian diagnosis citra foto fundus satu lapang pandang
midriatika oleh aplikasi android terhadap diagnosis citra foto fundus satu lapang
pandang midriatika oleh seorang ahli vitreoretina disajikan dalam tabel 2x2.
Kemudian hasil tersebut dianalisis secara statistik untuk menentukan nilai
sensitivitas, spesifisitas, nilai duga positif, nilai duga negatif, serta akurasi.
Hasil penelitian mendapatkan total 147 citra foto fundus menggunakan alat foto
fundus portabel midriatika satu lapang pandang yang dinilai layak oleh seorang ahli
vitreoretina. Diagnosis oleh seorang ahli vitreoretina mendapatkan hasil retinopati
diabetika mengancam penglihatan (VTDR) pada 78 (53,1%) citra foto fundus dan
69 (46,9%) citra foto fundus terdiagnosis tanpa VTDR. Sedangkan diagnosis dari
147 citra foto fundus yang dinilai oleh aplikasi android berbasis algoritma inception
38
V3, terdapat 72 (48,9%) citra foto fundus terdiagnosis VTDR dan 75 (51,0%) citra
foto fundus terdiagnosis tanpa VTDR. Hasil penilaian tersebut dapat dilihat dalam
tabel 4.2 berikut.
Tabel 4.2 Hasil Diagnosis VTDR oleh Seorang Ahli Vitreoretina dan Aplikasi Android
Diagnosis oleh Ahli
Vitreoretina
Total VTDR Tanpa VTDR
Diagnosis oleh
aplikasi Android
VTDR
56
16
72
Tanpa VTDR
22
53
75
Total
78
69
147
100%
* VTDR: Visual Threatening Diabetic Retinopahty
Tabel 4.3 menunjukkan nilai parameter uji diagnostik aplikasi android
berbasis algorima Inception V3 menggunakan foto fundus portabel satu lapang
pandang midriatika yang meliputi beberapa nilai, yaitu sensitivitas 71,8%,
spesifisitas 76,8%, nilai duga positif 77,7%, nilai duga negatif 70,6% dan akurasi
74,1%.
Tabel 4.3 Nilai Parameter Uji Diagnostik Aplikasi Android Berbasis Algoritma
Inception V3
Parameter Uji Diagnostik Nilai (%) 95% Interval Kepercayaan
Sensitivitas 71,8 67-76
Spesifisitas 76,8 73-80
Nilai Duga Positif 77,7 74-81
Nilai Duga Negatif 70,6 68-75
Akurasi 74,1 72-77
39
4.2 Uji Hipotesis
Hipotesis: aplikasi android berbasis algoritma inception V3 valid untuk
mendiagnosis retinopati diabetika mengancam penglihatan (VTDR).
Hasil: Penelitian ini menunjukkan bahwa penegakan diagnosis VTDR oleh aplikasi
android berbasis algoritma inception V3 memiliki sensitivitas dan spesifisitas
sebesar 71,8% dan 76,8% dibandingkan dengan baku emas penegakan diagnosis
VTDR oleh seorang ahli vitreoretina dengan menggunakan foto fundus satu lapang
pandang midriatika. Parameter uji diagnostik lain seperti nilai duga positif, nilai
duga negatif serta nilai akurasi dalam penelitian ini adalah sebesar 77,7%, 70,6%
dan 74,1%. Hal ini menunjukkan bahwa aplikasi android berbasis algoritma
inception V3 yang menggunakan citra foto fundus satu lapang pandang midriatika
tidak valid dalam menegakkan diagnosis retinopati diabetika mengancam
penglihatan berdasarkan parameter yang ditetapkan oleh British Diabetic
Association yaitu sensitivitas sebesar 80% dan spesifisitas sebesar 95%.58
Kesimpulan: Hipotesis telah diuji dan ditolak.
4.3 Pembahasan
Hasil penelitian berupa data karakteristik meliputi usia dan jenis kelamin.
Penyakit diabetes melitus tipe 2 terjadi dapat pada pasien usia 20 hingga 79 tahun.
Penelitian ini menunjukkan hasil jumlah sampel sebesar 147 citra foto fundus pada
pasien DM tipe 2 dengan distribusi sebagai berikut: sampel dengan jenis kelamin
perempuan sebanyak 71 pasien (63,4%) dan jenis kelamin laki-laki sebanyak 41
40
pasien (36,6%). Sedangkan distribusi usia sampel adalah antara usia 38 hingga 77
tahun dengan rerata usia adalah 55,16 tahun.
Hasil survei oleh Riskesdas tahun 2013 memberikan gambaran yang sama
dengan penelitian ini, bahwa perempuan lebih banyak menderita DM dibandingkan
laki-laki meski terdapat perbedaan pada rentang usia terbanyak yaitu usia 65 hingga
76 tahun. Perbedaan hasil penelitian ini dapat disebabkan karena jenis sampel,
teknik pengambilan sampel serta tempat penelitian yang berbeda. Riskesdas 2013
melakukan wawancara dan pemeriksaan gula darah sewaktu untuk menegakkan
diagnosis DM (tipe 1 dan 2) terhadap kelompok masyarakat usia lebih dari 15 tahun
di beberapa provinsi di Indonesia. Sedangkan sampel penelitian ini berasal dari
data retrospektif dengan penegakan diagnosis diabetes melitus didapatkan
berdasarkan wawancara (anamnesa) pasien yang berkunjung ke RS Mata Cicendo
pada usia 20-79 tahun. Anamnesis meliputi apakah sampel pernah dikatakan
menderita sakit kencing manis atau sakit gula oleh dokter umum puskesmas atau
dokter spesialis dan jenis obat apa yang diberikan untuk mengontrol kadar gula
pasien tersebut.3,40,57,59
Hasil penelitian ini memberikan nilai sensitivitas sebesar 71,8% dan spesifisitas
sebesar 76,8%. Nilai duga positif dan nilai duga negatif yang didapatkan pada
penelitian ini adalah sebesar 77,7% dan 70,6%. Nilai duga positif 77,7% menunjukkan
kemungkinan seseorang menderita retinopati diabetika mengancam penglihatan bila
hasil uji diagnostiknya positif adalah sebesar 77,7%. Nilai duga negatif sebesar
70,6% menunjukkan kemungkinan seseorang tidak menderita retinopati diabetika
mengancam penglihatan bila hasil uji diagnostiknya negatif adalah sebesar 70,6%.
41
Nilai duga positif dan nilai duga negatif sebagai parameter pada uji diagnostik
diinterpretasikan baik bila memiliki nilai ≥ 80%, yang pada penelitian ini belum
tercapai.46-48, 68, 71, 72
Akurasi penelitian ini sebesar 74,1% menunjukkan presentasi hasil pengujian
yang diidentifikasi dengan benar oleh pengujian, sehingga pada penelitian ini
akurasi tidak valid untuk menegakkan diagnosis retinopati diabetika mengancam
penglihatan. Berdasarkan penelitian Suryanto dkk, suatu akurasi dianggap baik bila
memiliki nilai ≥ 80%. Hal tersebut sesuai pula dengan pedoman interpretasi
kategori nilai akurasi yang terlampir pada bab sebelumnya. 46-48, 68, 71, 72
British Diabetic Association menetapkan nilai baku kemampuan diagnostik
retinopati diabetika harus memiliki setidaknya nilai sensitivitas sebesar 80% dan
spesifisitas sebesar 95%. Hasil penelitian ini menunjukkan bahwa nilai parameter
uji diagnostik aplikasi android berbasis algoritma inception V3 dengan
menggunakan foto fundus satu lapang pandang midriatika belum memenuhi kriteria
yang ditetapkan oleh British Diabetic Association. Hal tersebut dapat disebabkan
oleh beberapa faktor salah satunya adalah kualitas foto fundus.56,57,58
Pupil memiliki peran penting untuk menghasilkan suatu foto fundus dengan
mengontrol iluminasi retina dalam menentukan kualitas suatu retinografi. Penelitian
Baeza et al menemukan hubungan yang signifikan antara ukuran pupil dan kualitas
retinografi. Foto fundus berkualitas baik sulit didapatkan pada pupil dengan ukuran
yang kurang dari 4 milimeter, oleh karena itu ukuran pupil merupakan faktor penting
untuk menghasilkan kualitas foto fundus yang baik terutama dalam hal iluminasi
meskipun telah dipisahkan dengan kriteria Nussenbalt sebelumnya. Upaya
memaksimalkan validitas citra foto fundus dalam penelitian ini telah diupayakan
42
dengan memasukkan data foto fundus dalam keadaan midriatika. Beberapa penelitian
epidemiologi dan percobaan klinis juga menyarankan penggunaan midriatika dalam
mendeteksi retinopati diabetika mengancam penglihatan karena memberikan
sensitivitas dan spesifisitas yang lebih baik.60,61,70
Terdapat perbedaan warna iris antara dataset latih dan dataset uji pada penelitian
ini. Dataset latih pada penelitian ini menggunakan Messidor dan e-Ophtha. Kedua
dataset tersebut berasal dari database retinopati diabetika yang dikembangkan di
Benua Eropa yaitu di negara Prancis dengan mayoritas iris berwarna lebih terang
dibandingkan populasi dataset uji yaitu di Indonesia. Warna iris yang lebih terang
menunjukkan kemampuan untuk mengantarkan cahaya yang lebih baik
dibandingkan iris yang berwarna lebih gelap. Selain itu, pada penelitian Bergamin
et al, kontraksi pupil yang lebih kuat ditemukan pada iris yang lebih gelap
dibandingkan dengan iris yang lebih terang.62,63,69
Hasil foto fundus etnis tertentu, seperti etnis India yang difoto tanpa
menggunakan midriatika pada pemeriksaan Scanlon et al menjadi tidak maksimal,
hal ini disebabkan karena iris yang lebih gelap pada etnis tersebut. Meski demikian,
penurunan kualitas foto fundus digital pada etnis India atau etnis lainnya dengan
tipikal iris berwarna gelap diminimalisir dalam penelitian oleh Gupta et al dengan
menggunakan midriatika. Penggunaan midriatika guna meminimalisir penurunan
kualitas foto fundus telah dilakukan dalam penelitian ini, meskipun tidak dapat
menganulir perbedaan antara warna iris yang terang pada dataset uji dengan warna
iris yang gelap pada dataset latih.62,63,69
43
Kepadatan latar belakang (background density) tiap fundus okuli berbeda-beda
pada masing-masing ras. Pigmentasi fundus okuli normal memiliki variasi yang
luas, mulai dari pigmen yang lebih sedikit yang dapat juga disebut “blonde fundus”
hingga fundus dengan pigmentasi yang cukup padat yang memiliki istilah “gray
appearing fundus”. Meskipun lesi retinopati diabetika memberikan manifestasi
yang sama pada semua ras, kepadatan latar belakang (background density) fundus
dapat menyulitkan piranti lunak yang dirancang secara otomatis untuk memberikan
diagnosis yang tepat. Seperti yang telah dilakukan pada penelitian Raman et al yang
menyatakan algoritma artificial intelligence yang menggunakan dataset seperti
Kaggle, Messidor, Eyepacs, e-Ophtha maupun dataset lainnya belum dapat
mewakili secara sempurna tiap ras yang terdapat di dunia, sehingga kinerja
algoritma menjadi berbeda di berbagai ras tergantung kesesuaian background
density atau kepadatan latar belakang foto fundus dataset latih dengan dataset foto
fundus yang diuji.64,67
Kemampuan suatu algoritma yang sama akan berbeda tergantung kesesuaian
populasi latih dan populasi uji, serta kemampuan kamera fundus yang digunakan
dipaparkan dalam penelitian Ting et al. Sistem deep learning yang digunakan dalam
penelitian tersebut menunjukkan hasil yang konsisten bila dataset latih dan dataset
uji dilakukan menggunakan citra foto fundus yang sesuai, seperti menguji dataset
foto fundus dengan pigmentasi yang lebih gelap, dengan menggunakan dataset latih
foto fundus ras India yang memberikan gambaran fundus yang lebih berpigmen.
Sedangkan pada individu ras kulit putih, membutuhkan dataset latih foto fundus
yang lebih terang dengan pigmen yang lebih sedikit untuk memaksimalkan
44
kemampuan diagnosis suatu klasifikasi retinopati diabetika dengan menggunakan
kecerdasan buatan. Penelitian ini menggunakan foto fundus uji yang berasal dari
pasien dengan sub ras Deutero Melayu yang memiliki fundus yang lebih gelap bila
dibandingkan dengan dataset latih yang menggunakan foto fundus dari ras
Kaukasia. Dua keadaan yang berbeda tersebut dapat mengakibatkan kemampuan
diagnosis suatu klasifikasi retinopati diabetika dengan menggunakan kecerdasan
buatan menjadi tidak maksimal.56,67
Dataset uji dalam penelitian ini memiliki rancangan dua kelas, yaitu kelas
retinopati diabetika mengancam penglihatan dan kelas tanpa retinopati diabetika
mengancam penglihatan. Sedangkan dataset latih yang digunakan dalam penelitian
ini berasal dari dataset Messidor, Messidor 2 dan e-Ophta yang merupakan dataset
dari sumber terbuka (open source) yang dapat diunduh secara bebas dan tanpa
bayar. Dataset Messidor dan Messidor-2 terdiri dari lima kelas, antara lain kelas
normal, kelas retinopati diabetika ringan, retinopati diabetika sedang, retinopati
diabetika berat, dan retinopati diabetika proliferatif. Dataset e-Ophtha memiliki dua
kelas yaitu kelas normal dan kelas retinopati diabetika mengancam penglihatan
sehingga terdapat perbedaan antara kelas dataset latih dengan kelas dataset uji.65,66
Pada penelitian Abbas et al, terdapat mekanisme yang sama dengan penelitian
ini, meski demikian hal tersebut tidak menurunkan nilai dari parameter-parameter
uji diagnostiknya. Penelitian Abbas et al merancang lima kelas retinopati diabetika
dalam penelitiannya. Penelitian tersebut menggabungkan beberapa dataset antara
lain DiaRetDB1, FAZ, Messidor, dan Prv-DR. Dataset DiaRetDB1 terdiri dari satu
kelas yaitu kelas retinopati diabetika ringan. Dataset FAZ memiliki empat kelas
45
klasifikasi retinopati diabetika. Dataset Prv-DR dan Messidor memiliki lima kelas
klasifikasi retinopati diabetika seperti rencana pada penelitian tersebut. Setelah
dilakukan pelatihan dataset dan pengujian sistem klasifikasi retinopati diabetika
menggunakan lima kelas retinopati diabetika yang dimaksud, didapatkan hasil yang
baik, dengan sensitivitas sebesar 92,8% dan spesifisitas sebesar 94.5%.65,66
Nilai sensitivitas dan spesifisitas suatu aplikasi untuk menegakkan diagnosis
retinopati diabetika mengancam penglihatan dapat dipengaruhi pula oleh resolusi
dan jumlah data latih yang digunakan. Resolusi foto fundus yang digunakan dalam
penelitian ini memiliki rentang sebesar satu megapixel hingga tiga megapixel. Nilai
sensitivitas dan spesifisitas dalam penelitian ini sebesar 71,8% dan 76,8%.56,67
Penelitian dengan metode kecerdasaan buatan yang sama diterapkan pula pada
penelitian Ting et al, dengan menggunakan sampel sebanyak 76.370 foto fundus
dengan resolusi foto sebesar lima megapixel sampai dengan tujuh megapixel.
Penelitian tersebut mendapatkan nilai sensitivitas retinopati diabetika mengancam
penglihatan sebesar 90,5% dan nilai spesifisitas sebesar 91,6%. Perbandingan
tersebut menunjukkan perbedaan resolusi dan jumlah dataset latih yang jauh lebih
banyak bila dibandingakan dengan penelitian ini, sehingga penelitian Ting et al
memberikan nilai sensitivitas dan spesifisitas yang lebih baik.56,67
Penelitian ini menggunakan parameter yang melibatkan karakteristik-
karakterisktik yang terdapat pada suatu foto fundus antara lain skema pembuluh
darah, tampilan eksudat, perdarahan, mikroaneurisma, jarak antar eksudat dan
makula, dan parameter lainnya berupa latar belakang foto dan pemilihan tekstur
foto fundus. Parameter yang sama juga digunakan dalam penelitian Faust et al
46
namun memberikan hasil yang baik berupa sensitivitas sebesar 82% dan spesifisitas
sebesar 92%. Meski demikian, penelitian tersebut menekankan bahwa meskipun
parameter yang baik dan tepat akan meningkatkan kemampuan klasifikasi otomatis
oleh suatu kecerdasan buatan, dibutuhkan data pelatihan dalam jumlah yang sangat
besar dan bervariasi untuk meningkatkan sensitivitas suatu alat diagnostik.66,67
Penelitian ini merupakan penelitian pertama yang meneliti validitas diagnosis
retinopati diabetika mengancam penglihatan menggunakan suatu aplikasi android
dengan algoritma inception V3. Keterbatasan pada penelitian ini adalah jumlah
dataset latih yang kurang beragam dan tidak cukup banyak. Foto fundus yang
digunakan sebagai dataset latih berasal dari ras Kaukasia memiliki pigmentasi yang
sedikit dan belum menggambarkan variasi normal pigmentasi dunia. Sebagai tindak
lanjut, diperlukan suatu penelitian yang menggunakan data latih dari berbagai suku
dan ras dalam jumlah yang sangat banyak.
47
BAB V
SIMPULAN DAN SARAN
5.1 Simpulan
Aplikasi android berbasis algoritma inception V3 tidak valid dalam
mendiagnosis retinopati diabetika mengancam penglihatan (Vision Threatening
Retinopathy Diabetic/VTDR).
5.2 Saran
1. Penelitian lebih lanjut disarankan dengan dataset latih yang lebih besar.
2. Menggunakan foto fundus dengan pigmentasi yang bervariasi yang
mewakili setiap ras.
3. Meningkatkan resolusi citra foto fundus baik foto fundus dataset latih
maupun foto fundus yang digunakan sebagai sampel.
4. Penelitian lebih lanjut dengan menggunakan modifikasi pattern transfer
learning yang spesifik untuk retinopati diabetika mengancam penglihatan
seperti IRMA, eksudat, dan CSME.
48
DAFTAR PUSTAKA
1. Leasher JL, Bourne RRA, Flaxman SR, Jonas JB et al. Global estimates on the
number of people blind or visually impaired by diabetic retinopathy: A
metaanalysis from 1990 to 2010. Diabetes Care. 2016;39:1643-9.
2. Sasongko M, Widyaputri F, Agni A, Wardhana F, Kotha S, Gupta P et al.
Prevalence of diabetic retinopathy and blindness in Indonesian adults with type
2 diabetes. American Journal of Ophthalmology. 2017;181:79-87.
3. Kementrian Kesehatan Republik Indonesia. InfoDATIN : Situasi dan analisis
diabetes. Pusat Data dan Informasi Kementrian Kesehatan RI; 2014.
4. International Diabetes Federation, The Fred Hollows Foundation. Diabetes eye
health : A guide for health professionals. Brussels, Belgium: International Diabetes
Federation http://www.idf.org/eyecare, 2015 5. Cavallerano J. Optometric clinical practice guideline care of the patient with
diabetes mellitus. Edisi ke-3. St. Louis: American Optometric Association;
2009. hlm. 16–23.
6. Ting DSW, dkk. Surgical outcomes,complication and predictive surgical
factors of diabetic retinopathy vitrectomy in a large asian tertiary center. J Clin
Exp Ophthalmol. 2015; 6(6): 1-6.
7. Huang O, Tay W, Ong P, Sabanayagam C, Cheng C, Tan G et al. Prevalence
and determinants of undiagnosed diabetic retinopathy and vision-threatening
retinopathy in a multiethnic Asian cohort: the Singapore Epidemiology of Eye
Diseases (SEED) study. 2018.
8. Yau JWY, Rogers SL, Kawasaki R, Lamoureux EL, Kowalski JW, Bek T, et
al. Global prevalence and major risk factors of diabetic retinopathy. Diabetes
Care. 2012;35(3):556–64.
9. Rohit Varma et al. Four-Year Incidence And Progression Of Diabetic
Retinopathy And Macular Edema: The Los Angeles Latino Eye Study. Am J
Ophthalmol. 2010 May; 149(5): 752–61.e1-3.
10. Flaxman SR, Bourne RRA, Resnikoff S, Ackland P, Braithwaite T, Cicinelli M
V., et al. Global causes of blindness and distance vision impairment 1990–2020:
a systematic review and meta-analysis. Lancet Glob Heal. 2017;5(12):e1221–
34.
11. Putu Niluh A. D. W., Andika Prahasta, Ine Renata Musa. Kesesuaian Tes
Modifikasi Cluster Rod - Cone Cell Software dan Ishihara dalam Deteksi Buta
Warna Bawaan: Tesis. Universitas Padjadjaran. Pusat Mata Nasional Rumah
Sakit Mata Cicendo. Bandung. 2018.
12. Wong T, Sun J, Kawasaki R, Ruamviboonsuk P, Gupta N, Lansingh V et al.
Guidelines on diabetic eye care. Ophthalmology. 2018;125(10):1608-22.
13. Rema M, Pradeepa R. Ocular complication in diabetes. Dalam: Tripathy BB,
Chandalia HB, Das AK, Rao PV, editor. RSSDI Textbook of diabetes mellitus.
Edisi ke-2. Vol 2. New Delhi: Jaypee; 2012. hlm. 990–1006.
14. Ting D, Cheung G, Wong T. Diabetic retinopathy: global prevalence, major risk
factors, screening practices and public health challenges: a review. Clinical &
Experimental Ophthalmology. 2016;44(4):260-77.
49
15. Kizor-Akaraiwe N, Ezegwui I, Oguego N, Uche N, N. Asimadu I, Shiweobi J.
Prevalence, awareness and determinants of diabetic retinopathy in a screening
centre in Nigeria. Journal of Community Health. 2016;41(4):767-71.
16. Ryan ME, Rajalakshmi R, Prathiba V, Anjana RM, Ranjani H, Narayan KMV.
Comparison among methods of retinopathy assessment (CAMRA) study:
Smartphone, nonmydriatic, and mydriatic photography. American Academy of
Ophthalmology. 2015;122(10):2038–43.
17. Ahmed KA, Muniandy S, Ismail IS. Type 2 diabetes and vascular complication:
a patophysiology view. Biomedical Research. 2009; 21(2): 147–55.
18. Hutchinson A, McIntosh A, Peters J, O’Keeffe C et al. Effectiveness of
screening and monitoring tests for diabetic retinopathy – a systematic review.
Diabetic Medicine. 2000; 17:495-506.
19. Szegedy, Christian. et. al. 2015. Rethinking the Inception Architecture for
Computer Vision. [Daring] https://arxiv.org/abs/1512.00567
20. Yosinski, Jason. et. al. 2014. How transferable are features in deep neural
networks? Advances in Neural Information Processing Systems 27, pages 3320-
3328
21. Android Documentation. Documentation for app developers. [Daring]
https://developer.android.com/docs [Diakses 1-6-2019]
22. Ramcharan, Amanda., et. al. 2017. Deep Learning for Image-Based Cassava
Disease Detection. Front. Plant Sci. 8:1852. doi: 10.3389/fpls.2017.01852
23. Messidor (Methods for Evaluating Segmentation and Indexing techniques
Dedicated to Retinal Ophthalmology). French Ministry of Research and
Defense within a 2004 TECHNO-VISION program. Diakses dari
http://www.adcis.net/en/third-party/messidor/
24. Amanda Isca, Hasballah Zakaria. Pengembangan Algoritma Deteksi Dini
Diabetic Retinopathy dan Implementasinya pada Aplikasi Android. Institut
Teknologi Bandung. 2019.
25. American Academy of Ophthalmology. Dalam: Retina and vitreous. Basic and
Clinical Science Course. Section 1. San Fransiso: AAO; 2019.
26. Paul Riordan – Eva, James J Augsburger. Vaughan & Asburry’s general
ophthalmology, 19th edision. McGraw-Hill Education, Inc. USA; 2018
27. Ghanci F, Bailey C, Chakravarthy U, Cohen S, Dodson P, Gibson J, et al.
Diabetic retinopathy guidelines. The Royal College of Ophthalmology.
London; 2012.
28. Giacco F, Brownlee M. Oxidative stress and diabetic complications. Circ Res
2010;107:1058-70.
29. Reddy MA, Zhang E, Natarajan R. Epigenetic mechanisms in diabetic
complications and metabolic memory. Diabetologia 2015;58:443-55.
30. El-Osta A, Brasacchio D, Yao D, Pocai A, Jones PL, Roeder RG, Cooper ME,
Brownlee M. Transient high glucose causes persistent epigenetic changes and
altered gene expression during subsequent normoglycemia. J Exp Med
2008;205:2409-17.
31. Rubsam A, Parikh S, Fort PE. Role of inflammation in diabetic retinopathy. Int
J Mol Sci 2018;19:E942
32. Kusuhara sentaro et al. Pathophysiology of Diabetic Retinopathy: The Old and
50
the New. Korean Diabetes Association. Diabetes Metab J 2018;42:364-376
33. Wiley HE, Chew EY, Ferris FL. Nonproliferative diabetic retinopathy and
diabetic macular edema. Dalam: Schachat AP, Sadda SR, Hinton DR,
Wilkinson CP, Wiedemann P. Ryan’s retina. Elsevier; 2018.
34. Direktorat Jenderal Pencegahan dan Pengendalian Penyakit. Road Map of
Visual Impairment Control Program in Indonesia 2017 – 2030. Indonesia. 2019.
35. International Council of Ophtalmology. ICO Guidelines for Diabetic Eye Care.
2017
36. American Academy of Ophthalmology Retina Panel. Preferred practice pattern:
Guidelines diabetic retinopathy. San Fransisco, CA : American Academy of
Ophthalmology; 2018. Available at : www.aao.org/ppp.
37. Halim, Aldiana, dkk. Woke Up Call for Managing Sight Threatening of
Diabetic Retinopathy in Bandung City, Indonesia. 2018
38. CS231n Stanford Computer Vision. Convolutional Neural Networks for Visual
Recognition. 2019. [Daring] http://vision.stanford.edu/teaching/cs231n/
39. Gulshan et. al. Development and Validation of a Deep Learning Algorithm for
Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA.
2016. doi:10.1001/jama.2016.17216
40. Umbara Sonie, Iwan Sovani, Primawita Oktarina. Validitas Foto Fundus
Portabel Satu Lapang Pandang Midriatika dalam Mendeteksi Retinopati
Diabetika Mengancam Penglihatan: Tesis. Universitas Padjadjaran. Pusat Mata
Nasional Rumah Sakit Mata Cicendo. Bandung. 2019.
41. Rasckha, S. Python Machine Learning. Birmingham: Packt. 2015.
42. Howard, Andrew G. et. al. MobileNets: Efficient Convolutional Neural
Networks for Mobile Vision Applications. 2017. [Daring]
https://arxiv.org/pdf/1704.04861.pdf
43. Goodfellow, Ian, et. al. Deep Learning. Cambridge: The MIT Press. 2016.
44. Smartscope PRO - Optomed. http://www.optomed.com/smartcope-pro/.
Accessed January 8, 2020.
45. Vashist Praveen, et al. Role of Early Screening for Diabetic Retinopathy in
Patients with Diabetes Mellitus: An Overview. Indian Journal Community
Medicine. Volume 36. 2011.
46. Field, Andi, 2011, ”Discovering Statistics Using SPSS”, London : SAGE
Publication Ltd
47. Sopiyudin D.Statistik untuk kedokteran dan kesehatan. Edisi ke-5. Salemba
Medika;2010.
48. Sudigdo S. Dasar-dasar metodologi Penelitian Klinis. Edisi ke-4, Sagung Seto;
2011
49. Mc Neil, Rod. Grading of Ocular Inflammation in Uveitis: An Overview. Eye
News Volume 22, Issue 5: 2016.
50. Google Cloud Platform. Advanced Guide to Inception V3 on Cloud TPU.
Tersedia dari: https://cloud.google.com/tpu/docs/inception-v3-advanced.
Diakses November 2019.
51. Li Fei-Fei, Justin Johnson, Serena Yeung. Stanford Course Lecture 5:
Convolutional Neural Networks. April 18, 2017. Diunduh dari:
http://cs231n.stanford.edu/slides/2018/cs231n_2018_lecture04.pdf
51
52. Loomba Abhinav et al. Use of a Tablet Attachment in Teleophthalmology for
Real-Time Video Transmission from Rural Vision Centers in a Three-Tier Eye
Care Network in India: eyeSmart Cyclops. International Journal of
Telemedicine and Applications 2019(12):1-9: 2019.
53. Walton O. Bennett, Robert B. Garoon, Christina Y. Weng. Evaluation of
Automated Teleretinal Screening Program for Diabetic Retinopathy. JAMA
Ophthalmol: 2016.
54. Notoatmodjo, S. Metodologi Penelitian Kesehatan. Rineka Cipta. 2018
55. E. Decencière, et al. TeleOphta: Machine Learning and Image Processing
Methods for Teleophthalmology. Center for Mathematical Morphology,
Systems and Mathematics Department. MINES ParisTech. Elsevier Masson:
2013. doi:10.1016/j.irbm.2013.01.010
56. Ramachandran Nishanthan, Sheng Chiong Hong, Mary J Sime. Diabetic
Retinopathy Screening Using Deep Neural Network. Clinical and Experimental
Ophthalmology. Pubmed. Royal Australian and New Zealand College of
Ophthalmologists. 2018. 46(4):412-416. doi: 10.1111/ceo.13056.
57. Siburian Lucy. Validitas Foto Fundus Portabel Dua Lapang Pandang Midriatika
dalam Mendeteksi Retinopati Diabetika Mengancam Penglihatan. Tesis.
Universitas Padjadjaran. Pusat Mata Nasional Rumah Sakit Mata Cicendo.
Bandung. 2018.
58. British Diabetic Association. Retinal photography screening for diabetic eye
disease: A British Diabetic Association Report. London. British Diabetic
Association. 1997.
59. Herdiawan MA. Validitas pemeriksaan foto fundus portabel tunggal dan 3
lapang pandang tanpa dilatasi pupil dibandingkan dengan 7 lapang pandang
ETDRS pada penderita diabetic retinopati. Tesis. Universitas Padjadjaran.
Pusat Mata Nasional Rumah Sakit Mata Cicendo. Bandung. 2018.
60. Aptel F, Denis P, Rouberol F, Thivolet C. Screening of diabetic retinopathy:
effect of field number and mydriasis on sensitivity and specificity of digital
fundus photography. Diabetes Metab 2008; 34(3): 290–293
61. Stellingwerf C, Hardus PLLJ, Hooymans JMM. Two-Field Photography Can
Identify Patients With Vision-Threatening Diabetic Retinopathy. A screening
approach in the primary care setting. Diabetes Care 2001 Dec; 24(12): 2086-
2090.
62. Vishali Gupta, Reema Bansal, Amod Gupta, and Anil Bhansali. Sensitivity and
specificity of nonmydriatic digital imaging in screening diabetic retinopathy in
Indian eyes. Indian Journal Ophthalmology. 2014. doi: 10.4103/0301-
4738.141039
63. Scanlon, Peter H. Update on Screening for Sight-Threatening Diabetic
Retinopathy. Ophthalmic Research. 2019. doi: 10.1159/000499539
64. Raman, Rajiv; Sangeetha Srinivasan, Sunny Virmani, Sobha Sivaprasad,
Chetan Rao, Ramachandran Rajalakshmi. Fundus Photograph-Based Deep
Learning Algorithms in Detecting Diabetic Retinopathy. 2018. National Library
of Medicine. doi: 10.1038/s41433-018-0269-y
65. Abbas Qaisar; Irene Fondon; Auxiliadora Sarmiento; Soledad Jiménez; Pedro
Alemany. Automatic recognition of severity level for diagnosis of diabetic
52
retinopathy using deep visual features. 2017. International Federation for
Medical and Biological Engineering. doi: 10.1007/s11517-017-1638-6
66. Faust, Oliver; Rajendra Acharya; Kwan-Hoong Ng; Jasjit S. Suri. Algorithms
for the Automated Detection of Diabetic Retinopathy Using Digital Fundus
Images. Journal of Medical System. doi DOI 10.1007/s10916-010-9454-7
67. Ting, Daniel Shu Wei, Carol Yim-Lui Cheung, Gilbert Lim, et al. Development
and Validation of a Deep Learning System for Diabetic Retinopathy and
Related Eye Diseases Using Retinal Images From Multiethnic Populations With
Diabetes. Singapore National Eye Center. 2017. JAMA Ophthalmology.
318(22):2211-2223. doi: 10.1001/jama.2017.18152.
68. Whiting P, Rutjes AWS, Reitsma JB, Bossuyt PM, Kleijnen J: The development
of QUADAS: A Tool for The Quality Assessment of Studies of Diagnostic
Accuracy Included in Systematic Reviews. BMC Medical Research
Methodology 2003, 3:25.
69. Bergamin, Oliver; Andreas Schoetzau; Keiko Sugimoto; Mario Zulauf. The
Influence of Iris Color on The Pupillary Light Reflex. Augenklinik
Kantonsspital Aarau, CH-5000 Aarau, Switzerland. Graefe's Arch Clin Exp
Ophthalmol 236, 567–570. https://doi.org/10.1007/s004170050122
70. M. Baeza, D. Orozco‐Beltrán, V. F. Gil‐Guillen, et al. Screening for Sight
Threatening Diabetic Retinopathy Using Non‐Mydriatic Retinal Camera in A
Primary Care Setting: to Dilate or Not to Dilate? 2009. Int J Clin Pract.
https://doi.org/10.1111/j.1742-1241.2008.01921.x
71. CA Suryanto, M Musrichan. Uji Diagnostik Prokalsitonin Dibanding Kultur
Darah Sebagai Baku Emas Untuk Diagnostis Sepsis Bakterial Di Rsup Dr.
Kariadi. Tesis. Semarang. 2012
72. Islam, Fakir M. Amirul; Chen-Wei Pan. Accuracy and reliability of retinal
photo grading for diabetic retinopathy: Remote graders from a developing
country and standard retinal photo grader in Australia. Department of Statistics,
Data Science and Epidemiology, University of Technology, Hawthorn,
Victoria, Australia. 2017. PLoS ONE 12(6): e0179310.
https://doi.org/10.1371/journal.pone.0179310
Lampiran 2
DATA HASIL PENELITIAN
No Identitas Inisial L/
P
Usia
(Tah
un)
OD
/OS
E
ks
ud
at
C
W
S
Ven
ous
Bea
ding
Dot
dan
Blot
N
V
E
N
V
D
Perda
rahan
Retina
Perda
rahan
PreRe
tina
Peneb
alan
Retina
Tra
ksi
Reti
na
Fibros
is
Prereti
na
Macul
opathy
CSME
Diag
nosis
Ketera
ngan
1 IM4130EY.JPG Tn. DBO L 53 OS 1 0 0 0 0 0 0 0 0 0 0 0 N
2 IM4143EY.JPG Ny. Kas P 52 OS 1 0 0 1 0 0 0 0 0 0 0 1 V
3 IM4155EY.JPG Ny. EJ P 59 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
4 IM4167EY.JPG Ny. Nur P 54 OS 1 0 0 1 0 0 0 1 1 1 1 1 V
5 IM4172EY.JPG Ny. SK P 55 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
6 IM4183EY.JPG Ny. SK P 55 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
7 IM4192EY.JPG Ny. IM P 61 OS 1 0 0 1 0 0 0 0 0 0 0 1 V
8 IM4215EY.JPG Ny. RM P 45 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
9 IM4223EY.JPG Ny. YY P 49 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
10 IM4278EY.JPG Tn. DR L 52 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
11 IM4282EY.JPG Tn. DR L 52 OS 1 0 0 1 0 0 0 0 0 0 0 1 V
12 IM4292EY.JPG Tn. SB L 52 OS 1 0 0 1 0 0 0 0 0 0 0 1 V
13 IM4297EY.JPG Tn. RS L 47 OS 1 0 0 1 0 0 0 0 1 0 0 1 V
14 IM4304EY.JPG Tn. RS L 47 OD 1 1 0 0 0 0 0 0 0 0 0 0 N
15 IM4328EY.JPG Ny. MR P 56 OD 0 1 0 0 0 0 0 0 0 0 0 0 N
16 IM4335EY.JPG Tn. MU L 67 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
17 IM4337EY.JPG Tn. MU L 67 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
18 IM4353EY.JPG Ny. Juh P 62 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
19 IM4548EY.JPG Ny. ER P 77 OD 1 0 0 1 0 0 0 0 0 0 0 0 N
20 IM4552EY.JPG Ny. ER P 77 OS 1 0 0 1 0 0 1 0 0 0 0 0 N
21 IM4580EY.JPG Ny. Kur P 45 OD 1 0 0 1 0 0 1 0 0 0 0 1 V
22 IM4588EY.JPG Ny. TB P 60 OS 1 0 0 0 0 0 0 0 0 0 0 1 V
23 IM4600EY.JPG Ny. YK P 50 OS 1 0 0 1 0 0 1 0 0 0 0 1 V
24 IM4605EY.JPG Ny. YK P 50 OD 1 1 0 1 0 0 1 0 1 1 1 1 V
25 IM4611EY.JPG Tn. Mu L 45 OS 0 0 0 1 0 0 0 0 0 0 0 0 N
26 IM4625EY.JPG Tn. Gane L 54 OS 1 0 0 1 0 1 1 1 0 0 1 0 V
27 IM4640EY.JPG Tn. DP L 60 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
28 IM4644EY.JPG Tn. Jal L 61 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
29 IM4654EY.JPG Ny. RS P 47 OD 1 0 1 1 0 0 0 0 0 0 0 1 V
30 IM4664EY.JPG Ny. SY P 41 OS 0 0 0 1 0 0 1 0 0 0 0 1 V
31 IM4676EY.JPG Tn. MA L 46 OS 1 0 0 1 0 0 1 0 0 0 0 1 V
32 IM4684EY.JPG Ny. Jun P 73 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
33 IM4690EY.JPG Ny. Jun P 73 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
34 IM4704EY.JPG Tn. Mak L 50 OD 1 0 0 1 1 0 1 0 1 0 0 1 V
35 IM4717EY.JPG Ny. Juw P 61 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
36 IM4720EY.JPG Ny. Juw P 61 OS 1 1 1 1 0 0 1 0 0 0 0 1 V
37 IM4725EY.JPG Ny. Is P 49 OD 1 1 0 0 0 0 1 1 0 1 1 1 V
38 IM4731EY.JPG Ny. Ent P 59 OD 1 0 0 1 0 0 1 0 0 0 0 1 V
39 IM4735EY.JPG Ny. Ent P 59 OS 1 0 0 1 0 0 0 0 0 0 0 1 V
40 IM4850EY.JPG Ny. OR P 41 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
41 IM4864EY.JPG Tn. Kus L 72 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
42 IM4876EY.JPG Ny. TA P 56 OD 1 0 0 1 0 0 0 0 1 0 0 1 V
43 IM4879EY.JPG Ny. TA P 56 OS 1 0 0 1 0 0 0 0 1 0 0 1 V
44 IM4890EY.JPG Ny. EN P 50 OD 1 0 0 1 0 0 0 0 1 0 0 1 V
45 IM4896EY.JPG Ny. EN P 50 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
46 IM4911EY.JPG Ny. LY P 43 OS 1 0 0 1 1 0 1 0 0 0 1 V
47 IM4923EY.JPG Ny. EBE P 53 OD 1 0 0 1 0 0 0 0 1 0 0 1 V
48 IM4927EY.JPG Ny. EBE P 53 OS 1 0 0 1 0 0 1 0 0 0 0 1 V
49 IM4946EY.JPG Ny. NB P 54 OD 1 0 0 1 0 0 0 0 0 0 0 0 N
50 IM4952EY.JPG Ny. NB P 54 OS 1 0 0 1 0 0 0 0 0 0 0 1 V
51 IM4956EY.JPG Ny. En Rum P 51 OD 1 1 0 1 0 0 0 0 0 0 0 1 V
52 IM4962EY.JPG Ny. En Rum P 51 OS 1 1 0 1 0 0 1 0 0 0 0 1 V
53 IM4967EY.JPG Tn. SB L 58 OD 1 0 0 1 0 0 1 1 0 0 0 1 V
54 IM4979EY.JPG Tn. Ta Su L 64 OS 1 0 0 1 1 0 1 1 1 0 1 1 V
55 IM5024EY.JPG Tn. Suk L 63 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
56 IM5033EY.JPG Ny. RY P 42 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
57 IM5037EY.JPG Ny. RY P 42 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
58 IM5046EY.JPG Tn. Yo L 55 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
59 IM5086EY.JPG Tn. HH L 52 OD 1 0 0 1 0 0 1 0 0 0 0 1 V
60 IM5096EY.JPG Tn. UM L 49 OD 1 1 0 1 1 0 1 0 0 0 1 1 V
61 IM5115EY.JPG Ny. N P 49 OS 1 1 0 1 1 0 1 0 0 0 0 1 V
62 IM5173EY.JPG Tn. AS L 49 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
63 IM5175EY.JPG Ny. KN P 45 OD 1 0 1 1 0 0 1 0 0 0 0 1 V
64 IM5186EY.JPG Ny. TBA P 60 OS 1 0 0 1 1 0 1 0 0 0 0 1 V
65 IM5188EY.JPG Ny. TBM P 58 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
66 IM5195EY.JPG Ny. TBM P 58 OS 1 1 1 0 1 0 1 0 1 0 1 1 V
67 IM5441EY.JPG Tn. DS L 60 OD 1 0 0 1 0 0 0 0 0 0 0 0 N
68 IM5445EY.JPG Ny. ABD P 63 OD 1 0 0 1 0 0 0 0 0 0 0 0 N
69 IM5479EY.JPG Tn. CB L 55 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
70 IM5516EY.JPG Tn. Wis L 69 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
71 IM5518EY.JPG Tn. Wis L 69 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
72 IM5524EY.JPG Tn. Jha L 59 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
73 IM5529EY.JPG Ny. Som Su P 48 OD 1 0 1 1 1 0 1 0 0 0 0 1 V
74 IM5532EY.JPG Ny. Som Su P 48 OS 1 0 0 1 0 0 0 0 0 0 0 1 V
75 IM5536EY.JPG Tn. Da Ru L 44 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
76 IM5539EY.JPG Tn. Da Ru L 44 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
77 IM5555EY.JPG
Tn. Lus
BinJo L 57 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
78 IM5569EY.JPG Ny. S Mar P 44 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
79 IM5573EY.JPG Ny. S Mar P 44 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
80 IM5581EY.JPG Ny. En Ne P 50 OS 1 0 1 1 0 0 0 0 0 0 0 1 V
81 IM5583EY.JPG Ny. HS P 61 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
82 IM5589EY.JPG Ny. RI P 49 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
83 IM5603EY.JPG Tn. Hus L 52 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
84 IM5615EY.JPG Ny. Rah Sua P 52 OD 1 0 0 1 0 0 0 0 0 0 1 1 V
85 IM5621EY.JPG Tn. En Soh L 50 OD 1 0 0 1 0 0 0 0 0 0 1 1 V
86 IM5627EY.JPG Tn. En Soh L 50 OS 1 0 0 1 0 0 1 1 0 0 1 1 V
87 IM5638EY.JPG Ny. Yul P 63 OS 1 0 0 1 0 1 1 0 0 0 0 1 V
88 IM5647EY.JPG Tn. A Sof L 49 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
89 IM5665EY.JPG Ny. JN P 62 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
90 IM5851EY.JPG Ny. As B Sul P 65 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
91 IM5855EY.JPG Ny. As B Sul P 65 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
92 IM5870EY.JPG Ny. S P OD 0 0 0 0 0 0 0 0 0 0 0 0 N
93 IM5873EY.JPG Ny. Sur P 43 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
94 IM5880EY.JPG Ny. Hot P 60 OD 1 0 0 1 0 0 1 1 0 0 0 1 V
95 IM5884EY.JPG Ny. Al Haf P 74 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
96 IM5893EY.JPG Tn. Ag Tri L 61 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
97 IM5897EY.JPG Ny. Rd Tin P 59 OD 1 0 1 1 0 0 0 0 0 0 0 1 V
98 IM5991EY.JPG Ny. Ti War P 60 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
99 IM6003EY.JPG Ny. Id Par P 45 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
100 IM6008EY.JPG Ny. SM P 54 OD 1 1 0 1 1 0 1 0 0 0 0 1 V
101 IM6043EY.JPG Ny. YN P 63 OS 1 0 0 1 1 1 1 0 0 0 0 1 V
102 IM6093EY.JPG Ny. La S E P 54 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
103 IM6097EY.JPG Ny. La S E P 54 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
104 IM6101EY.JPG Tn. Rat Un L 59 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
105 IM6112EY.JPG Ny. A Suh P 55 OS 1 1 1 1 1 0 1 0 1 0 0 1 V
106 IM6115EY.JPG Ny. Ent Si P 59 OD 1 1 0 1 1 0 1 0 0 0 0 1 V
107 IM6125EY.JPG Tn. Id Her L 62 OS 1 0 0 1 0 0 1 0 0 0 0 1 V
108 IM6136EY.JPG Ny. No Har P 55 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
109 IM6148EY.JPG Ny. Et Sus P 57 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
110 IM6154EY.JPG Tn. Dad Aff L 58 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
111 IM6162EY.JPG Ny. Ir Kom P 44 OD 1 0 0 1 1 0 1 0 0 0 0 1 V
112 IM6174EY.JPG Tn. De Kor L 52 OD 1 0 0 1 1 0 1 0 0 0 0 1 V
113 IM6205EY.JPG Tn. Mul L 44 OS 1 0 0 1 1 0 1 1 0 0 0 1 V
114 IM6211EY.JPG Ny. Yay P 66 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
115 IM6218EY.JPG Ny. Yay P 66 OS 1 1 0 1 0 0 1 0 0 0 0 1 V
116 IM6222EY.JPG
Ny. Sam b
Jaw P 70 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
117 IM6230EY.JPG
Ny. Sur B
Suw P 77 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
118 IM6233EY.JPG
Ny. Sur B
Suw P 77 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
119 IM6236EY.JPG Tn. Daf Mus L 43 OD 1 0 0 1 0 0 0 0 0 0 0 1 V
120 IM6239EY.JPG Tn. Daf Mus L 43 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
121 IM6242EY.JPG Ny. Lis M P 44 OD 1 0 0 1 0 1 0 1 0 0 0 1 V
122 IM6246EY.JPG Ny. Lis M P 44 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
123 IM6252EY.JPG Tn. At B Mar L 58 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
124 IM6263EY.JPG Tn. Wido L 66 OS 1 0 0 1 0 0 1 0 0 0 0 1 V
125 IM6267EY.JPG Ny. Lia M P 38 OD 1 0 0 1 0 0 0 0 0 0 0 0 N
126 IM6281EY.JPG Tn. MB L 68 OS 1 0 0 1 0 0 0 0 0 0 0 0 N
127 IM6287EY.JPG Ny. Yet Yul P 50 OS 1 1 0 1 1 0 1 0 0 0 0 1 V
128 IM6290EY.JPG Ny. Nin Tri P 40 OD 1 0 0 1 0 0 1 1 0 0 1 1 V
129 IM6292EY.JPG Ny. Nin Tri P 40 OS 1 0 0 1 0 0 1 0 0 0 1 1 V
130 IM6298EY.JPG Tn. Ag Ar L 46 OD 1 1 0 1 1 0 1 0 0 0 0 1 V
131 IM6302EY.JPG Tn. Ag Ar L 46 OS 1 1 0 1 0 0 1 1 0 0 0 1 V
132 IM6309EY.JPG
Ny. Mar B
Am P 53 OS 1 0 0 1 0 0 1 0 0 0 1 1 V
133 IM6312EY.JPG Ny. I Was P 66 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
134 IM6315EY.JPG Ny. I Was P 66 OS 1 1 1 1 1 1 0 0 0 0 0 1 V
135 IM6318EY.JPG Ny. Ai Has P 56 OD 1 1 0 1 1 0 1 0 0 0 0 1 V
136 IM6323EY.JPG Ny. Ai Has P 56 OS 1 1 0 0 0 0 1 1 1 1 1 1 V
137 IM6329EY.JPG Ny. Sar B Jas P 42 OS 1 0 0 1 0 0 1 0 0 0 0 1 V
138 IM6339EY.JPG Ny. Ik At P 62 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
139 IM6341EY.JPG Ny. Ik At P 62 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
140 IM6345EY.JPG Ny. E Kur P 57 OD 1 0 0 1 0 0 0 0 0 0 0 0 N
141 IM6352EY.JPG
Ny. Mam
Kom P 61 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
142 IM6355EY.JPG Ny. Im Wid P 49 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
143 IM6357EY.JPG Ny. Im Wid P 49 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
144 IM6360EY.JPG Ny. Sit Mun P 67 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
145 IM6362EY.JPG Tn. Mug Sid L 42 OD 0 0 0 0 0 0 0 0 0 0 0 0 N
146 IM6364EY.JPG Tn. Mug Sid L 42 OS 0 0 0 0 0 0 0 0 0 0 0 0 N
147 IM6368EY.JPG Tn. Us Mah L 73 OD 1 0 0 1 0 0 0 0 0 0 0 0 N
61
No Foto Inisial L/P Usia
(tahun) OD/OS
Diagnosis Ahli Diagnosis
Aplikasi
VTDR Non
VTDR VTDR
Non
VTDR
1 IM4130EY.JPG Tn. DBO L 53 OS 1 1
2 IM4143EY.JPG Ny. Kas P 52 OS 1 1
3 IM4155EY.JPG Ny. EJ P 59 OD 1 1
4 IM4167EY.JPG Ny. Nur P 54 OS 1 1
5 IM4172EY.JPG Ny. SK P 55 OD 1 1
6 IM4183EY.JPG Ny. SK P 55 OS 1 1
7 IM4192EY.JPG Ny. IM P 61 OS 1 1
8 IM4215EY.JPG Ny. RM P 45 OD 1 1
9 IM4223EY.JPG Ny. YY P 49 OS 1 1
10 IM4278EY.JPG Tn. DR L 52 OD 1 1
11 IM4282EY.JPG Tn. DR L 52 OS 1 1
12 IM4292EY.JPG Tn. SB L 52 OS 1 1
13 IM4297EY.JPG Tn. RS L 47 OS 1 1
14 IM4304EY.JPG Tn. RS L 47 OD 1 1
15 IM4328EY.JPG Ny. MR P 56 OD 1 1
16 IM4335EY.JPG Tn. MU L 67 OD 1 1
17 IM4337EY.JPG Tn. MU L 67 OS 1 1
18 IM4353EY.JPG Ny. Juh P 62 OS 1 1
19 IM4548EY.JPG Ny. ER P 77 OD 1 1
20 IM4552EY.JPG Ny. ER P 77 OS 1 1
21 IM4580EY.JPG Ny. Kur P 45 OD 1 1
22 IM4588EY.JPG Ny. TB P 60 OS 1 1
23 IM4600EY.JPG Ny. YK P 51 OS 1 1
24 IM4605EY.JPG Ny. YK P 51 OD 1 1
25 IM4611EY.JPG Tn. Mu L 45 OS 1 1
26 IM4625EY.JPG Tn. Gane L 54 OS 1 1
27 IM4640EY.JPG Tn. DP L 60 OD 1 1
28 IM4644EY.JPG Tn. Jal L 61 OD 1 1
29 IM4654EY.JPG Ny. RS P 47 OD 1 1
30 IM4664EY.JPG Ny. SY P 41 OS 1 1
31 IM4676EY.JPG Tn. MA L 46 OS 1 1
32 IM4684EY.JPG Ny. Jun P 73 OD 1 1
33 IM4690EY.JPG Ny. Jun P 73 OS 1 1
34 IM4704EY.JPG Tn. Mak L 50 OD 1 1
35 IM4717EY.JPG Ny. Juw P 61 OD 1 1
36 IM4720EY.JPG Ny. Juw P 61 OS 1 1
37 IM4725EY.JPG Ny. Is P 49 OD 1 1
62
38 IM4731EY.JPG Ny. Ent P 59 OD 1 1
39 IM4735EY.JPG Ny. Ent P 59 OS 1 1
40 IM4850EY.JPG Ny. OR P 41 OS 1 1
41 IM4864EY.JPG Tn. Kus L 72 OD 1 1
42 IM4876EY.JPG Ny. TA P 56 OD 1 1
43 IM4879EY.JPG Ny. TA P 56 OS 1 1
44 IM4890EY.JPG Ny. EN P 51 OD 1 1
45 IM4896EY.JPG Ny. EN P 51 OS 1 1
46 IM4911EY.JPG Ny. LY P 43 OS 1 1
47 IM4923EY.JPG Ny. EBE P 53 OD 1 1
48 IM4927EY.JPG Ny. EBE P 53 OS 1 1
49 IM4946EY.JPG Ny. NB P 54 OD 1 1
50 IM4952EY.JPG Ny. NB P 54 OS 1 1
51 IM4956EY.JPG Ny. En Rum P 51 OD 1 1
52 IM4962EY.JPG Ny. En Rum P 51 OS 1 1
53 IM4967EY.JPG Tn. SB L 58 OD 1 1
54 IM4979EY.JPG Tn. Ta Su L 64 OS 1 1
55 IM5024EY.JPG Tn. Suk L 63 OD 1 1
56 IM5033EY.JPG Ny. RY P 42 OD 1 1
57 IM5037EY.JPG Ny. RY P 42 OS 1 1
58 IM5046EY.JPG Tn. Yo L 55 OS 1 1
59 IM5086EY.JPG Tn. HH L 52 OD 1 1
60 IM5096EY.JPG Tn. UM L 49 OD 1 1
61 IM5115EY.JPG Ny. N P 49 OS 1 1
62 IM5173EY.JPG Tn. AS L 49 OS 1 1
63 IM5175EY.JPG Ny. KN P 45 OD 1 1
64 IM5186EY.JPG Ny. TBA P 60 OS 1 1
65 IM5188EY.JPG Ny. TBM P 58 OD 1 1
66 IM5195EY.JPG Ny. TBM P 58 OS 1 1
67 IM5441EY.JPG Tn. DS L 60 OD 1 1
68 IM5445EY.JPG Ny. ABD P 63 OD 1 1
69 IM5479EY.JPG Tn. CB L 55 OD 1 1
70 IM5516EY.JPG Tn. Wis L 69 OD 1 1
71 IM5518EY.JPG Tn. Wis L 69 OS 1 1
72 IM5524EY.JPG Tn. Jha L 59 OS 1 1
73 IM5529EY.JPG Ny. Som Su P 48 OD 1 1
74 IM5532EY.JPG Ny. Som Su P 48 OS 1 1
75 IM5536EY.JPG Tn. Da Ru L 44 OD 1 1
76 IM5539EY.JPG Tn. Da Ru L 44 OS 1 1
77 IM5555EY.JPG
Tn. Lus
BinJo L 57 OD 1 1
78 IM5569EY.JPG Ny. S Mar P 44 OD 1 1
63
79 IM5573EY.JPG Ny. S Mar P 44 OS 1 1
80 IM5581EY.JPG Ny. En Ne P 51 OS 1 1
81 IM5583EY.JPG Ny. HS P 61 OD 1 1
82 IM5589EY.JPG Ny. RI P 49 OD 1 1
83 IM5603EY.JPG Tn. Hus L 52 OD 1 1
84 IM5615EY.JPG Ny. Rah Sua P 52 OD 1 1
85 IM5621EY.JPG Tn. En Soh L 53 OD 1 1
86 IM5627EY.JPG Tn. En Soh L 53 OS 1 1
87 IM5638EY.JPG Ny. Yul P 63 OS 1 1
88 IM5647EY.JPG Tn. A Sof L 49 OS 1 1
89 IM5665EY.JPG Ny. JN P 62 OS 1 1
90 IM5851EY.JPG Ny. As B Sul P 65 OD 1 1
91 IM5855EY.JPG Ny. As B Sul P 65 OS 1 1
92 IM5870EY.JPG Ny. Sur P 43 OD 1 1
93 IM5873EY.JPG Ny. Sur P 43 OS 1 1
94 IM5880EY.JPG Ny. Hot P 60 OD 1 1
95 IM5884EY.JPG Ny. Al Haf P 74 OD 1 1
96 IM5893EY.JPG Tn. Ag Tri L 61 OD 1 1
97 IM5897EY.JPG Ny. Rd Tin P 59 OD 1 1
98 IM5991EY.JPG Ny. Ti War P 60 OD 1 1
99 IM6003EY.JPG Ny. Id Par P 45 OS 1 1
100 IM6008EY.JPG Ny. SM P 54 OD 1 1
101 IM6043EY.JPG Ny. YN P 63 OS 1 1
102 IM6093EY.JPG Ny. La S E P 54 OD 1 1
103 IM6097EY.JPG Ny. La S E P 54 OS 1 1
104 IM6101EY.JPG Tn. Rat Un L 59 OD 1 1
105 IM6112EY.JPG Ny. A Suh P 55 OS 1 1
106 IM6115EY.JPG Ny. Ent Si P 59 OD 1 1
107 IM6125EY.JPG Tn. Id Her L 62 OS 1 1
108 IM6136EY.JPG Ny. No Har P 55 OS 1 1
109 IM6148EY.JPG Ny. Et Sus P 57 OS 1 1
110 IM6154EY.JPG Tn. Dad Aff L 58 OD 1 1
111 IM6162EY.JPG Ny. Ir Kom P 44 OD 1 1
112 IM6174EY.JPG Tn. De Kor L 52 OD 1 1
113 IM6205EY.JPG Tn. Mul L 44 OS 1 1
114 IM6211EY.JPG Ny. Yay P 66 OD 1 1
115 IM6218EY.JPG Ny. Yay P 66 OS 1 1
116 IM6222EY.JPG
Ny. Sam b
Jaw P 70 OD 1 1
117 IM6230EY.JPG
Ny. Sur B
Suw P 77 OD 1 1
64
118 IM6233EY.JPG
Ny. Sur B
Suw P 77 OS 1 1
119 IM6236EY.JPG Tn. Daf Mus L 43 OD 1 1
120 IM6239EY.JPG Tn. Daf Mus L 43 OS 1 1
121 IM6242EY.JPG Ny. Lis M P 44 OD 1 1
122 IM6246EY.JPG Ny. Lis M P 44 OS 1 1
123 IM6252EY.JPG Tn. At B Mar L 58 OD 1 1
124 IM6263EY.JPG Tn. Wido L 66 OS 1 1
125 IM6267EY.JPG Ny. Lia M P 38 OD 1 1
126 IM6281EY.JPG Tn. MB L 68 OS 1 1
127 IM6287EY.JPG Ny. Yet Yul P 52 OS 1 1
128 IM6290EY.JPG Ny. Nin Tri P 40 OD 1 1
129 IM6292EY.JPG Ny. Nin Tri P 40 OS 1 1
130 IM6298EY.JPG Tn. Ag Ar L 46 OD 1 1
131 IM6302EY.JPG Tn. Ag Ar L 46 OS 1 1
132 IM6309EY.JPG
Ny. Mar B
Am P 53 OS 1 1
133 IM6312EY.JPG Ny. I Was P 66 OD 1 1
134 IM6315EY.JPG Ny. I Was P 66 OS 1 1
135 IM6318EY.JPG Ny. Ai Has P 56 OD 1 1
136 IM6323EY.JPG Ny. Ai Has P 56 OS 1 1
137 IM6329EY.JPG Ny. Sar B Jas P 42 OS 1 1
138 IM6339EY.JPG Ny. Ik At P 62 OD 1 1
139 IM6341EY.JPG Ny. Ik At P 62 OS 1 1
140 IM6345EY.JPG Ny. E Kur P 57 OD 1 1
141 IM6352EY.JPG
Ny. Mam
Kom P 61 OS 1 1
142 IM6355EY.JPG Ny. Im Wid P 49 OD 1 1
143 IM6357EY.JPG Ny. Im Wid P 49 OS 1 1
144 IM6360EY.JPG Ny. Sit Mun P 67 OD 1 1
145 IM6362EY.JPG Tn. Mug Sid L 42 OD 1 1
146 IM6364EY.JPG Tn. Mug Sid L 42 OS 1 1
147 IM6368EY.JPG Tn. Us Mah L 73 OD 1 1
65
Lampiran 3
PERHITUNGAN ANALISIS STATISTIK
Descriptives
Statistic Std. Error
Usia
Mean 55.1607 .82244
95% Confidence Interval for
Mean
Lower Bound 53.5310
Upper Bound 56.7904
5% Trimmed Mean 54.8968
Median 55.0000
Variance 75.758
Std. Deviation 8.70389
Minimum 38.00
Maximum 77.00
Range 39.00
Interquartile Range 12.00
Skewness .303 .228
Kurtosis -.341 .453
Crosstabs
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Jenis Kelamin * Kelompok 112 100.0% 0 0.0% 112 100.0%
Lokasi Mata * Kelompok 112 100.0% 0 0.0% 112 100.0%
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Usia 112 100.0% 0 0.0% 112 100.0%
66
Jenis Kelamin * Kelompok Crosstabulation
Kelompok Total
All
Jenis Kelamin
Laki-laki Count 41 41
% within Kelompok 36.6% 36.6%
Perempuan Count 71 71
% within Kelompok 63.4% 63.4%
Total Count 112 112
% within Kelompok 100.0% 100.0%
Lokasi Mata * Kelompok Crosstabulation
Kelompok Total
All
Lokasi Mata
OD Count 42 42
% within Kelompok 37.5% 37.5%
OS Count 70 70
% within Kelompok 62.5% 62.5%
Total Count 112 112
% within Kelompok 100.0% 100.0%
Crosstabs
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Diagnosa oleh Ahli Vitreo-
Retina * Kelompok
147 100.0% 0 0.0% 147 100.0%
Diagnosa oleh Aplikasi
Android * Kelompok
147 100.0% 0 0.0% 147 100.0%
67
Diagnosa oleh Ahli Vitreo-Retina * Kelompok Crosstabulation
Kelompok Total
All
Diagnosa oleh Ahli Vitreo-
Retina
VTDR Count 78 78
% within Kelompok 53.1% 53.1%
Non VTDR Count 69 69
% within Kelompok 46.9% 46.9%
Total Count 147 147
% within Kelompok 100.0% 100.0%
Diagnosa oleh Aplikasi Android * Kelompok Crosstabulation
Kelompok Total
All
Diagnosa oleh Aplikasi
Android
VTDR Count 72 72
% within Kelompok 48.9% 48.9%
Non VTDR Count 75 75
% within Kelompok 51.0% 51.0%
Total Count 147 147
% within Kelompok 100.0% 100.0%
68
Sensitivitas = 71,8% (IK 95%: 68% - 76%); Spesifisitas = 76,8% (IK 95%: 73% - 80%)
Crosstabs
Chi-Square Tests
Value df Asymp. Sig. (2-
sided)
Exact Sig. (2-
sided)
Exact Sig. (1-
sided)
Pearson Chi-Square 111.932a 1 .000
Continuity Correctionb 108.452 1 .000
Likelihood Ratio 143.220 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear Association 111.170 1 .000
N of Valid Cases 147
a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 31.92.
b. Computed only for a 2x2 table
Diagnosa oleh Aplikasi Android * Diagnosa oleh Ahli Vitreo-Retina Crosstabulation
Diagnosa oleh Ahli Vitreo-Retina Total
VTDR Non VTDR
Diagnosa oleh Aplikasi
Android
VTDR
Count 56 16 72
Expected Count 36.1 35.9 72.0
% within Diagnosa oleh Ahli
Vitreo-Retina
71,8% 23.2% 48.9%
Non VTDR
Count 22 53 75
Expected Count 41.9 33.1 75.0
% within Diagnosa oleh Ahli
Vitreo-Retina
28.2% 76.8% 51.0%
Total
Count 78 69 147
Expected Count 78.0 69.0 147.0
% within Diagnosa oleh Ahli
Vitreo-Retina
100.0% 100.0% 100.0%
69
Lampiran 4
FOTO KEGIATAN PENELITIAN
70
Lampiran 5
DAFTAR RIWAYAT HIDUP
Nama : A. F. Marnida Siahaan
Tempat Tanggal Lahir : Banyuwangi, 18 Januari 1989
Alamat : Jl. H No. 5, Perumahan Rawa Bambu Satu, Pasar
Minggu, Jakarta Selatan, DKI Jakarta
Nama Orang Tua : Maruli Yamin Siahaan
Nunik Eko Sutiwi
Pendidikan Formal
1. TK St. Antonius Medan (1993 – 1994)
2. SD St. Antonius Medan (1994 – 2000)
3. SMP St. Maria Medan (2000 - 2003)
4. SMA Negeri 1 Medan (2003 - 2006)
5. Program Studi Sarjana Kedokteran, Fakultas Kedokteran Universitas
Lampung, Lampung (2006 - 2011)
6. Program Studi Profesi Dokter, Fakultas Kedokteran Universitas Lampung,
Lampung (2011 – 2013)
7. Program Pendidikan Dokter Spesialis, Ilmu Kesehatan Mata Fakultas
Kedokteran Universitas Padjadjaran – Pusat Mata Nasional Rumah Sakit
Mata Bandung (2016 – 20)
Pengalaman Kerja
1. Dokter PTT, Puskesmas Tofoi, Papua Barat (2013-2015)
71
Penelitian
2014 : Distribusi Penyakit Mata Penduduk Teluk Bintuni pada Kegiatan
Mata Massal di Puskesmas Kabupaten Teluk Bintuni Tahun 2014.
2019 : Characteristics of Retinoblastoma Patients in Cicendo National
Hospital from January 2009 – December 2017.
Seminar/Kongres/Pertemuan Ilmiah Nasional/Internasional
2019 : Peserta Pertemuan Ilmiah Tahunan Indonesian Ophthalmologist
Association 43, Makassar. (Presentasi Free Paper)
2019 : Peserta Indonesian Ocular Infection and Immunology Society VII
(INOIIS), Yogyakarta.
2019 : Panitia Cicendo International Ophthalmology Meeting (CIOM),
Bandung.
2016 : Peserta The 1th Indonesia Congress on Controversies in
Ophthalmology, Padang.
2016 : Panitia Indonesian Pediatric Ophthalmology and Strabismus Society
(INAPOSS) Bandung Scientific Meeting, Bandung.
2015 : Peserta 3rd Biennial Scientific Meeting Indonesian Society of
Cataract and Refractive Surgery (INASCRS), Jakarta.
2015 : Peserta Pelatihan, Perawatan, Dukungan dan Pengobatan (PDP) dan
Tatalaksana Infeksi Menular Seksual, Teluk Bintuni, Papua Barat,
Indonesia.
2014 : Peserta Pelatihan Program Pendampingan Klinis dalam Rangka
Peningkatan Kualias Pelayanan Emergensi Obstetri dan Neonatal,
RSIA Budi Kemuliaan, Jakarta.
2014 : Peserta Pelatihan Diagnosis Penyakit Akibat Kerja, Bekasi.
2013 : Peserta Refreshing Training Maternal and Neonatal Emergency,
Teluk Bintuni, Papua Barat.
2013 : Peserta ACLS (Advance Cardiac Life Support), Jakarta.