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
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
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
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
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
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
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
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
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
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
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 in Bandung
VTDR Treatment
Kesenjangan Antara Terapi yang Dibutuhkan dengan Terapi yang Telah Diberikan pada
VTDR
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
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
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
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
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
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 VTDR No 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
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
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
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)
