Winarsih, Meitha Auliana Dwi (2024) Sistem Deteksi Anemia Non-Invasif Berdasarkan Konsentrasi Hemoglobin Melalui Segmentasi U-Net Dengan Analisis Warna Konjungtiva Mata. Diploma thesis, Institut Teknologi Sepuluh Nopember.
![]() |
Text
5023201010-Undergraduate_Thesis.pdf Download (5MB) |
Abstract
Anemia adalah masalah kesehatan global yang dapat berdampak serius terutama pada kelompok rentan seperti ibu hamil dan anak-anak. Dari hasil laporan Riset Kesehatan Dasar (RISKEDAS) di tahun 2013 dan 2018, prevalensi anemia untuk populasi usia 5 – 14 tahun dan ibu hamil di Indonesia mencapai angka 26.4% dan 48.9%. Dikarenakan gejalanya yang minim, banyak orang di negara berkembang yang tidak terdeteksi sebagai penderita anemia. Belum lagi karakteristik pemeriksaan anemia yang invasif, memberikan dampak ketidaknyamanan pada anak – anak dan ibu hamil. Di sisi lain, pemeriksaan konjungtiva mata menjadi prosedur awal pemeriksaan anemia oleh dokter dikarenakan posisinya yang lebih dekat dengan jantung jika dibandingkan telapak tangan dan kuku jari. Namun pemeriksaan tersebut masih bersifat kualitatif, sehingga perlu dilakukan pendekatan lebih lanjut untuk bisa mengenali anemia dari konjungtiva mata. Penelitian ini dilakukan untuk mengkuantifikasi proses pemeriksaan konjungtiva mata dengan memanfaatkan kamera yang dilengkapi lensa makro. Metode segmentasi konjungtiva mata dilakukan secara otomatis dengan memanfaatkan model UNBCSM (UNet Based Conjunctiva Segmentation Model) yang telah dimodifikasi, menghasilkan akurasi segmentasi sebesar 96% dan 92% untuk data pelatihan dan validasi. Memberikan nilai IoU yang paling baik dari penelitian yang telah ada. Di sisi lain, penggunaan fitur baru yang berbeda dari penelitian sebelumnya juga diterapkan untuk menguji sejauh mana kemampuan dari fitur R, G, B, b*, dan P(A) dalam memprediksikan anemia. Fitur P(A) diperoleh dari metode SVM dengan akurasi sebesar 92%. Model regresi berbeda akan diuji coba dan dibandingkan untuk mengetahui metode regresi mana yang paling sesuai. Dari hasil uji coba, Gradient Boosting Regression (GBR) memberikan nilai R^2 paling konsisten sebesar 0,974 (training) dan 0,696 (testing). Regresi ini memiliki nilai MAE paling kecil sebesar 1,1 g/dL dan akurasi 82% untuk data testing. Model segmentasi dan regresi tersebut ditanam di Raspberry Pi dan diujicobakan ke data baru. Menghasilkan nilai MAE untuk 12 subjek sebesar 2,01 g/dL dan akurasi 42%.
============================================================
Anemia is a global health issue with severe implications, especially for vulnerable groups such as pregnant women and children. According to the Basic Health Research (RISKESDAS) reports from 2013 and 2018, the prevalence of anemia in the 5-14 year age group and among pregnant women in Indonesia reached 26.4% and 48.9%, respectively. Due to its often asymptomatic nature, many individuals in developing countries remain undiagnosed. Moreover, the invasive nature of anemia testing can cause discomfort, particularly in children and pregnant women. Conversely, conjunctival examination is commonly used as an initial screening method for anemia by doctors due to its proximity to the heart compared to the palms and nail beds. However, this examination is qualitative, necessitating further approaches to accurately identify anemia via conjunctival examination. This study aims to quantify the conjunctival examination process using a camera equipped with a macro lens. Automated segmentation of the conjunctiva is performed using a modified UNBCSM (UNet Based Conjunctiva Segmentation Model), achieving segmentation accuracy of 96% and 92% for training and validation data, respectively, and providing the highest IoU value compared to existing studies. Additionally, new features different from those used in previous studies are implemented to assess the capability of R, G, B, b*, and P(A) features in predicting anemia. The P(A) feature is derived from an SVM method with an accuracy of 92%. Various regression models are tested and compared to determine the most suitable regression method. The Gradient Boosting Regression (GBR) model demonstrated the most consistent R^2 values of 0.974 (training) and 0.696 (testing), with the lowest MAE of 1.1 g/dL and 82% accuracy for testing data. These segmentation and regression models were embedded in a Raspberry Pi and tested on new data, yielding an MAE of 2.01 g/dL and an accuracy of 42% for 12 subjects.
Item Type: | Thesis (Diploma) |
---|---|
Uncontrolled Keywords: | Deteksi Anemia, Hemoglobin, Konjungtiva Mata, UNet, Regresi; Anemia Detection, Hemoglobin, Conjunctiva, UNet, Regression |
Subjects: | T Technology > T Technology (General) > T59.7 Human-machine systems. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis |
Depositing User: | Meitha Auliana Dwi Winarsih |
Date Deposited: | 01 Aug 2024 03:02 |
Last Modified: | 01 Aug 2024 03:02 |
URI: | http://repository.its.ac.id/id/eprint/110956 |
Actions (login required)
![]() |
View Item |