PENERAPAN ALGORITMA TRANSFER LEARNING PADA KLASIFIKASI PENYAKIT ANEMIA BERBASIS CITRA PALPEBRAL KONJUNGTIVA

Abstract

ABSTRAK

Anemia merupakan masalah kesehatan yang ditandai dengan kekurangan kadar hemoglobin. Kemungkinan terburuk dari penyakit anemia adalah kematian. Anemia sangat sering disepelekan masyarakat sehingga menjadi permasalahan dunia. Wanita lebih rentang mengalami penyakit anemia. Berdasarkan prevalensi Dinas Kesehatan Republik Indonesia, sebagaian besar wanita pada usia produktif dan wanita hamil mengalami anemia. Diagnosis anemia dapat dilakukan dengan mengambil sampel darah kemudian dilakukan uji laboratorium, atau sering disebut dengan pemeriksaan invasive. Seiring berjalannya waktu, berbagai metode non-invasive yang lebih praktis dikembangkan untuk mendeteksi penyakit anemia sebagai alternatif seperti pemeriksaan yang dilakukan dengan melihat tingkat kepucatan konjungtiva pada mata. Sehingga peneliti melakukan pengembangan dalam klasfikasi penyakit anemia secara non-invasive dengan menerapkan algoritma Transfer Learning AlexNet berbasis citra palpebral konjungtiva. Sebelum dataset palpebral konjungtiva melalui tahap training dilakukan augmentasi citra yang bertujuan untuk menghindari terjadinya overfitting atau underfitting akibat kekurangan data latih. Transfer learning yang digunakan yaitu model AlexNet yang diuji menggunakan hyperparameter batch size dan epoch berbeda. Model AlexNet menghasilkan performansi yang optimal yaitu akurasi 85% dengan waktu komputasi tahap training selama 16 menit 13 detik.

ABSTRACT

Anemia is a health problem characterized by a deficiency in hemoglobin levels. The worst possibility of anemia is death. AAnemia is very frequently underestimated by society so it becomes a world problem. Women are more likely to have anemia. Based on the prevalence of the Health Office of the Republic of Indonesia, most women especially those who are in their productive age and pregnant have anemia. The diagnosis of anemia may be made by taking a blood sample and then conducting laboratory tests or often referred to as invasive examinations. Over time, various practical ways of non-invasive methods were developed to detect anemia as an alternative like a checkup by looking at the level of paleness in the conjunctiva eyes. So the researchers carried out the development of a non-invasive classification of anemia by applying the Transfer Learning AlexNet algorithm based on palpebral conjunctival images. Before the palpebral conjunctival dataset goes through the training stage, image augmentation is carried out which aims to avoid overfitting or underfitting due to a lack of training data. The transfer learning used is the AlexNet model which was tested using the different batch sizes and epoch hyperparameters. The AlexNet model produces optimal performance, namely 85% accuracy with a training stage computation time of 16 minutes and 13 seconds.