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

http://www.optomed.com/

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

https://id.wikipedia.org/wiki/Sistem_operasi

https://id.wikipedia.org/wiki/Linux

https://id.wikipedia.org/wiki/Layar_sentuh

https://id.wikipedia.org/wiki/Telepon_pintar

https://id.wikipedia.org/wiki/Komputer_tablet

https://id.wikipedia.org/wiki/Komputer_tablet

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.

https://www.ncbi.nlm.nih.gov/pubmed/?term=Varma%20R%5BAuthor%5D&cauthor=true&cauthor_uid=20149342

https://www.ncbi.nlm.nih.gov/entrez/eutils/elink.fcgi?dbfrom=pubmed&retmode=ref&cmd=prlinks&id=20149342

https://www.ncbi.nlm.nih.gov/entrez/eutils/elink.fcgi?dbfrom=pubmed&retmode=ref&cmd=prlinks&id=20149342

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

http://www.adcis.net/en/third-party/messidor/

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

https://www.persi.or.id/images/2020/data/pedoman_p2covid19_27maret2020.pdf

http://www.aao.org/ppp

https://cloud.google.com/tpu/docs/inception-v3-advanced

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

https://www.researchgate.net/scientific-contributions/2155488252_Abhinav_Loomba

https://www.researchgate.net/journal/1687-6415_International_Journal_of_Telemedicine_and_Applications

https://www.researchgate.net/journal/1687-6415_International_Journal_of_Telemedicine_and_Applications

https://jamanetwork.com/searchresults?author=O.+Bennett+Walton&q=O.+Bennett+Walton

https://jamanetwork.com/searchresults?author=Robert+B.+Garoon&q=Robert+B.+Garoon

https://jamanetwork.com/searchresults?author=Robert+B.+Garoon&q=Robert+B.+Garoon

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

https://doi.org/10.1007/s004170050122

https://doi.org/10.1111/j.1742-1241.2008.01921.x

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%


Cases

Valid Missing Total


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


Total Count 112 112


Lokasi Mata * Kelompok Crosstabulation

Kelompok Total

All

Lokasi Mata

OD Count 42 42


OS Count 70 70


Total Count 112 112


Crosstabs


Cases

Valid Missing Total


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


Non VTDR Count 69 69


Total Count 147 147


Diagnosa oleh Aplikasi Android * Kelompok Crosstabulation

Kelompok Total

All


Android

VTDR Count 72 72


Non VTDR Count 75 75


Total Count 147 147


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


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



Vitreo-Retina

28.2% 76.8% 51.0%

Total

Count 78 69 147



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.

VALIDITAS APLIKASI ANDROID BERBASIS ALGORITMA...

Documents

Transcript of VALIDITAS APLIKASI ANDROID BERBASIS ALGORITMA...