Inovasi Pendeteksian Dini Diabetes Melitus Secara Noninvasif Menggunakan Foto Wajah untuk Meningkatkan Kesehatan Masyarakat Indonesia

Ditulis Oleh Agung Adi Firdaus

Diabetes Melitus (DM) merupakan penyakit gangguan metabolik menahun akibat pankreas tidak memproduksi cukup insulin atau tubuh tidak dapat menggunakan insulin yang diproduksi secara efektif. Insulin adalah hormon yang mengatur keseimbangan kadar gula dalam darah (Pusdatin Kemenkes, 2014). Diabetes melitus merupakan penyakit yang paling banyak menyebabkan terjadinya komplikasi seperti kebutaan, gagal ginjal, amputasi kaki dan yang paling mematikan yaitu serangan jantung dan stroke (Sumadewi, 2016). Diabetes dengan komplikasi merupakan penyebab kematian tertinggi ketiga di Indonesia (Sample Registration System Kemenkes, 2014).

Pada tahun 2012, kematian 1,5 juta jiwa penduduk dunia disebabkan oleh diabetes (WHO, 2016). Menurut data World Health Organization (WHO), jumlah pasien penderita diabetes di seluruh dunia pada tahun 2015 sebanyak 415 juta jiwa dengan persentase orang dengan diabetes adalah 8,5 persen (1 penderita dari 11 orang). Diperkirakan jumlahnya akan meningkat secara signifikan menjadi 642 juta jiwa pada tahun 2040 (International Diabetes Federation Atlas, 2015). Indonesia menempati urutan ke-7 terbesar dalam jumlah penderita diabetes di dunia setelah China, India, Amerika Serikat, Brazil, Rusia dan Meksiko dengan estimasi penderita 10 juta jiwa (WHO, 2014).

Peningkatan jumlah penderita diabetes diperparah dengan keterlambatan diagnosis penyakit tersebut. Sebagian besar penderita tidak tahu kalau sebenarnya menderita diabetes, bahkan dua dari tiga orang dengan diabetes di Indonesia tidak mengetahui dirinya menderita diabetes. Di Asia, lebih dari 50 persen penderita diabetes baru mengetahui mengidap diabetes setelah mengalami komplikasi di berbagai organ (Hans, 2007). Keterlambatan diagnosis mengakibatkan diabetes semakin parah sehingga sulit untuk diobati. Berikut ini tabel distribusi penderita diabetes yang tidak terdiagnosis di Indonesia:

Tabel 1. Distribusi penderita diabetes terdiagnosis dan tidak terdiagnosis

 (Sumber: Risdekas 2013 Kemenkes RI, 2014)

Rendahnya kesadaran diagnosis diabetes oleh masyarakat dikarenakan sulitnya identifikasi gejala diabetes, dan metode yang sekarang ada yaitu melalui darah dan urin memiliki beberapa kekurangan diantaranya: membutuhkan biaya yang cukup mahal, proses lama dan rumit serta bersifat invasif (pengambilan darah) sehingga cukup menyakitkan dan ditakuti oleh orang yang fobia dengan jarum suntik. Salah satu cara untuk mendiagnosis diabetes yang sudah ada adalah melalui Fasting Plasma Glucose (FPG) dengan cara mengambil sampel darah kecil dari setiap pasien. Sebelum tes ini dilakukan, pasien tidak makan selama 12 jam. Oleh karena itu, tes ini dianggap menyakitkan, invasif, memakan waktu, dan juga membawa ketidaknyamanan (Shu dkk, 2014). Hal tersebut menyebabkan masyarakat enggan memeriksa diabetes sehingga akses layanan kesehatan dilakukan dalam kondisi terlambat.

Inovasi yang diberikan untuk mengatasi masalah tersebut yaitu metode pemrosesan gambar (image processing) yang memanfaatkan foto wajah. Diabetes dideteksi dengan menganalisis tekstur wajah manusia dan diklasifikasikan oleh algoritma Improved Patch Ordering (IPO). Dengan adanya metode ini diharapkan orang awam dapat melakukan diagnosis secara efektif dan efisisen sejak dini dan dapat segera melakukan pengobatan.

Skema Pendeteksian Diabetes Melitus Menggunakan Algoritma Improved Patch Ordering

Gambar wajah diekstraksi dan dianalisis menggunakan software MATLAB. Berikut ini adalah desain diagram alur skema pendeteksian diabetes melitus:

Gambar 1. Diagram skema pendeteksi diabetes melitus

A. Input Gambar Wajah

Input gambar adalah pemasukkan gambar pada aplikasi MATLAB. Input gambar merupakan sebuah tahap pembacaan citra oleh perangkat lunak pengujian. Citra yang menjadi masukan harus dengan format RGB (Red Green Blue) sebab citra tersebut akan dikonversi ke format Grayscale.

B. Menerapkan Prosedur Koreksi Warna dan Pembagian Blok

 Koreksi warna merupakan bagian dari pemrosesan gambar (image processing). Bagian pemrosesan gambar terdiri dari pengambilan gambar wajah melalui pemindaian, peningkatan gambar, kliping gambar, penyaringan, deteksi tepi dan ekstraksi fitur. Perangkat yang dirancang khusus dengan kalibrasi dikembangkan untuk mengambil gambar wajah di bawah pengaturan standar untuk memastikan ekstraksi dan analisis fitur yang tidak bias dan mendapatkan hasil citra atau gambar yang jauh lebih baik, sehingga memudahkan untuk diproses untuk keperluan tertentu (Arman, 2012).

Setelah itu diambil empat blok pada gambar wajah (A, B, C) untuk mewakili gambar wajah. Pada Gambar 2. menunjukkan contoh gambar wajah yang diambil dan ditandai dengan empat blok. Blok A diambil di dahi, blok B diambil di bawah mata kanan dan serta C terletak di hidung. Berikut ini gambar wajah yang sudah ditandai menjadi empat blok:

Gambar 2. Contoh gambar wajah yang ditandai

C. Ekstraksi Ciri (Featured Extraction) dan Penerapan Gabor Filter

Ekstraksi ciri merupakan sebuah tahapan pengambilan ciri (nilai) objek. Pada penelitian ini digunakan ekstraksi ciri energi yang berfungsi untuk mengambil nilai dari tekstur yang ditampilkan dari hasil konvolusi citra dengan Gabor Filter yang dikonversi ke bilangan komplek yaitu Magnitude Response. Fungsi ekstraksi ciri adalah membaca nilai rata-rata tekstur.

Gabor Filter adalah salah satu deskriptor tekstur yang diterapkan untuk mengekstrak fitur dengan menganalisis domain frekuensi gambar. Representasi dari Gabor Filter mirip dengan sistem pengenalan objek pada manusia, sehingga algoritma ini cukup banyak dikembangkan di berbagai bidang. Gabor Filter dikenal sebagai detektor ciri yang sukses karena memiliki kemampuan menghilangkan variabilitas yang disebabkan oleh iluminasi kontras dan sedikit pergeseran serta deformasi citra. Berikut ini contoh penerapan Gabor Filter:

Gambar 3. Penerapan Gabor Filter pada foto daun

(Sumber: imagej.net, 2018)

            Ada dua proses utama yang dilakukan algoritma Gabor Filter, yaitu proses pembuatan array gabor, dan kemudian array tersebut akan digunakan dalam proses ekstraksi fitur vektor dari file gambar. Perbedaan antara nilai tekstur blok wajah diabetes dan sehat diketahui dengan menghitung nilai rata-rata dari empat nilai tekstur blok wajah untuk mewakili masing-masing blok wajah yang sesuai. Tekstur penderita diabetes dengan orang sehat sangat berbeda. Gabor Filter banyak digunakan karena filter ini memberikan perbedaan yang lebih baik dari berbagai tekstur.

D. Klasifikasi Menggunakan Algoritma Improved Patch Ordering

            Algoritma yang digunakan untuk mengklasifikasikan sampel adalah Improved Patch Ordering. Metode tersebut didasarkan pada kombinasi dari blok wajah melalui pendekatan menggunakan celah dan warna gambar. Berikut ini berturut-turut adalah tiga blok tekstur khas penderita diabetes dan orang sehat dengan nilai teksturnya:

Tekstur penderita diabetes dengan nilainya

Tekstur orang sehat dengan nilainya

(Sumber: Shu dkk, 2015)

Berdasarkan Penelitian Shu dkk (2015), algoritma Improved Patch Ordering dapat mengklasifikasikan sampel diabetes melitus dan sehat dengan akurasi 99,38%. Metode dinilai ini lebih baik daripada metode lainnya.

DAFTAR PUSTAKA

• Akpan, Vincent Andrew. 2009. Face Image Processing, Analysis And Recognition Algorithms For Enhanced Optimal Face Recognition Systems Design: A Comparative Study. Afr. J. Comp. & ICT, Vol. 2, No. 2.
• Arman, Hera. 2012. Analisa Performance Metode Gabor Filter Untuk Pengenalan Wajah. Skripsi. Fakultas Sains Dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim: Riau.
• Budi, Aris, Sumainna & Hata Maulana. 2016. Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA). Jurnal Teknik Informatika. Vol 9 No. 2
• Demayo, C, M Torres, & C Vena. 2009. Face Shapes Of Diabetics And Non-Diabetics Described Using Geometric Morphometrics. The Internet  Journal of Endocrinology. Volume 6 Number 1.
• Imagej.net. 2015. Gabor Filter Script. https://imagej.net/Gabor_Filter_script diakses pada tanggal 10 Februari 2019
• Kementrian Kesehatan RI. 2014. Situasi dan Analisis Diabetes. Pusdatin Kemenkes RI: Jakarta Selatan.
• Kadam, Manashwi A dkk. 2016. Study And Review Of Various Image Classification Methods For Diabetes Mellitus Detection. International Research Journal of Engineering and Technology (IRJET). Volume: 03 Issue: 1.
• Punthakee, Zubin, Ronald Goldenberg & Pamela Katz. 2018. Definition, Classification and Diagnosis of Diabetes, Prediabetes and Metabolic Syndrome. Canadian Journal of Diabetes. 42 (2018) S10–S15
• Pavana & Shailaja. 2017. Diabetes Mellitus Detection Based on Facial Texture Feature Using the GLCM. International Research Journal of Engineering and Technology (IRJET). Volume: 04 Issue: 07
• Rathi, Rakesh, Manish Choudhary & Bhuwan Chandra. 2012. An Application of Face Recognition System using Image Processing and Neural Networks. Internasional Jurnal Computer Technology Application. Vol 3 (1), 45-49
• Rizqita, Elen Urbha. 2018. Alat Pendeteksi Diabetes Melitus Melalui Gas Buang Pernafasan Dengan Menggunakan Sensor Mq-135 Berbasis Arduino Uno. Tugas Akhir. Fakultas Teknik Universitas Jember: Jember.
• Shu, Ting, Bob Zhang  & Yuan Yan Tang. 2015. Simplified and Improved Patch Ordering for Diabetes Mellitus Detection. Jurnal IEEE.
• Tandra, H. 2008. Segala sesuatu yang harus Anda ketahui tentang Diabetes. Penerbit Gramedia: Jakarta.