Retinoblastoma merupakan kanker retina yang sering terjadi pada bayi dan anak-anak dan dapat menyebabkan kebutaan jika tidak ditangani. Untuk memudahkan diagnosis dini retinoblastoma, dilakukan penelitian dengan metode Extreme Learning Machine (ELM). Teknik ini menggunakan gambar fundus retina sebagai masukan untuk mendeteksi retinoblastoma. Sebelum terdeteksi, dilakukan pra-pemrosesan citra yang terdiri dari penskalaan, saluran hijau, peregangan kontras, ambang batas, dan ekstraksi fitur dengan metode zonasi.
Penelitian ini menemukan bahwa metode yang diusulkan dapat mendeteksi retinoblastoma dengan akurasi 92 persen.Hal ini menunjukkan potensi penggunaan ELM dalam mendukung diagnosis retinoblastoma. Selain dengan oftalmoskop, pemeriksaan juga dapat dilakukan dengan menganalisis gambar fundus yang diambil dengan kamera fundus. Seorang dokter atau spesialis menganalisis ulang kamera fundus untuk menentukan keberadaan retinoblastoma
Mesin Pembelajaran Ekstrim (ELM)
ELM merupakan salah satu pendekatan pembelajaran mesin yang termasuk dalam kategori pembelajaran mesin berbasis jaringan syaraf tiruan. Metode ini dikenal dengan tingkat pelatihannya yang tinggi dan kemampuan menangani masalah klasifikasi secara efisien. ELM bekerja dengan menggunakan satu lapisan tersembunyi yang berisi neuron yang dihasilkan secara acak.
Identifikasi Retinoblastoma
Penerapan ELM dalam identifikasi retinoblastoma melibatkan langkah-langkah berikut:
a. Pengumpulan Data: Kumpulan data gambar mata pasien dengan retinoblastoma dan tanpa retinoblastoma dikumpulkan untuk melatih dan menguji model.
b. Preprocessing Data: Gambar-gambar mata diproses untuk menghilangkan noise dan meningkatkan kualitas citra, sehingga memastikan bahwa model dapat bekerja dengan optimal.
c. Ekstraksi Fitur: Fitur-fitur yang relevan diekstraksi dari gambar-gambar mata untuk memberikan informasi penting kepada model.
d. Pelatihan Model ELM: Model ELM dilatih menggunakan kumpulan data yang telah diproses untuk mengidentifikasi pola-pola yang berkaitan dengan retinoblastoma.
e. Validasi dan Evaluasi: Model dievaluasi menggunakan data yang tidak terlibat dalam pelatihan untuk memastikan keakuratannya. Validasi lintas adalah kunci untuk menilai sejauh mana model dapat umumkan pengetahuannya ke data baru.
Manfaat Penggunaan ELM dalam Identifikasi Retinoblastoma
a. Kecepatan dan Efisiensi: ELM dikenal karena kecepatan pelatihannya yang tinggi, memungkinkan identifikasi retinoblastoma dalam waktu yang relatif singkat.
b. Akurasi Tinggi: Dengan memanfaatkan keunggulan jaringan saraf tiruan, model ELM dapat memberikan hasil identifikasi yang akurat.
c. Kemampuan Generalisasi: Melalui proses validasi lintas, ELM dapat menghasilkan model yang mampu mengidentifikasi retinoblastoma pada data baru dengan baik.
Tantangan dan Perkembangan Masa Depan
Meskipun ELM menawarkan solusi yang menjanjikan, masih terdapat tantangan dalam mendeteksi retinoblastoma, seperti variabilitas genetik dan perbedaan tampilan mata. Pengembangan lebih lanjut dan integrasi dengan teknologi medis terkini merupakan fokus untuk meningkatkan keberhasilan diagnostik.
ELM dapat digunakan untuk mendeteksi retinoblastoma dengan menganalisis data pasien yang ada. Informasi tersebut dapat mencakup informasi mengenai gambaran klinis, hasil pemeriksaan laboratorium dan radiologi. ELM memungkinkan untuk memprediksi apakah pasien menderita retinoblastoma atau tidak, sehingga membantu dalam pengambilan keputusan medis dan pengobatan penyakit ini.
Dengan demikian, penggunaan informasi teknologi, khususnya metode machine learning seperti ELM, dapat memberikan kontribusi yang signifikan dalam upaya identifikasi dan penanganan dini retinoblastoma, yang pada pasangannya dapat meningkatkan prognosis dan kualitas hidup pasien, terutama anak-anak.
https://repositori.usu.ac.id/handle/123456789/4394
https://iopscience.iop.org/article/10.1088/1742-6596/1235/1/012057