Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Prevalensi meibomian gland dysfunction (MGD) dilaporkan bervariasi pada rentang 3,6-69,3% karena modalitas diagnostik yang tersedia saat ini masih belum terstandar secara baku. Penilaian meibomian gland (MG) dropout secara manual masih terbatas oleh subjektivitas penilai dalam identifikasi MG, kurang akurat dalam menilai perubahan longitudinal, serta memerlukan waktu dan biaya yang lebih besar. Penelitian ini bertujuan untuk mengetahui apakah performa diagnostik dari penilaian MGD melalui meibografi dengan bantuan AI setara dengan penilaian MG dropout oleh klinisi menggunakan ImageJ. Metode: Penelitian dilakukan dengan desain cross-sectional dari pasien rawat jalan Rumah Sakit Dr. Cipto Mangunkusumo (RSCM) Kirana, Jakarta Pusat. Pengolahan data citra meibografi dilakukan dengan dua tahap preprocessing dan pengembangan model artificial intelligence (AI). Pengembangan model AI yang dilakukan menggunakan image embedding VGG16 dan model multilayer perceptron (MLP) pada Orange v3.32.0. Hasil: Dari 35 subjek penelitian dengan rerata usia 60,29±2,28 tahun, terdapat 136 data citra meibografi yang dianalisis. Nilai cut-off MG dropout yang terbaik pada nilai 33% yang mana terdapat 107 citra MGD dan 29 citra normal. Model AI menunjukkan performa AUC 83,2%, sensitivitas 89,7%, dan spesifisitas 58,6%. Kesimpulan: Penilaian meibografi dengan bantuan AI memiliki performa diagnostik yang baik dalam deteksi MGD. Pendekatan dengan AI dapat digunakan sebagai alat skrining potensial yang efektif dan efesien dalam praktik klinis.

---

Introduction: The prevalence of meibomian gland dysfunction (MGD) is reported to vary in the range of 3.6-69.3% because the currently available diagnostic modalities have not been standardized. Manual assessment through meibomian gland (MG) dropout is still has many limitations, such as the subjectivity of the assessor in identifying MG, less accuracy in assessing longitudinal abnormalities and requires more time and costs. This study aims to determine whether the diagnostic performance of MGD assessment through AI-assisted meibography is equivalent to MG dropout assessment by the clinician using ImageJ. 

Methods: The study was conducted with a cross-sectional design from outpatients at Dr. Cipto Mangunkusumo Hospital (RSCM) Kirana, Central Jakarta. The meibography image processing is conducted in two stages preprocessing and the development of artificial intelligence (AI) models. AI model development uses Orange v3.32.0 with VGG16 as image embedding and a multilayer perceptron (MLP) model. 

Results: From 35 subjects with a mean age of 60.29±2.28 years, a meibography dataset was built from 136 eyelid images. Using the MG dropout cut-off value of 33%, there are 107 MGD images and 29 normal images. The AI model showed an AUC performance of 83.2%, a sensitivity of 89.7%, and a specificity of 58.6%. 

Conclusion: AI-assisted meibography assessment has good diagnostic performance in MGD detection. The AI approach has promising potential as an effective and efficient screening tool in clinical practice."

"Penyakit mata kering adalah suatu kondisi yang bersifat multifaktorial kronis yang sering terjadi pada permukaan mata. Mata kering diklasifikasikan menjadi dua, yaitu mata kering defisiensi aqueous dan mata kering evaporatif. Penyakit mata kering evaporatif yang disebabkan oleh disfungsi kelenjar meibom sudah terjadi pada lebih dari 85% kasus penyakit mata kering. Disfungsi kelenjar meibom adalah kelainan difus dan kronis dari kelenjar meibom yang umumnya ditandai dengan adanya perubahan kualitatif atau kuantitatif dalam sekresi kelenjar. Area kerusakan pada kelenjar meibom dibagi menjadi 4 tingkat atau skala, yaitu normal (meiboscore 0), meiboscore 1, meiboscore 2, dan meiboscore 3. Proses dalam mendiagnosis penyakit mata kering masih dilakukan secara subjektif oleh tenaga medis, hal tersebut dapat mengakibatkan perbedaan dalam menilai tingkat disfungsi kelenjar meibom. Penulis menggunakan data science untuk mendiagnosis penyakit mata kering dengan melakukan pendekatan Artificial Intelligence (AI) yang di dalamnya terdapat metode deep learning. Pada penelitian ini, penulis melakukan klasifikasi pada data citra yang merupakan hasil segmentasi model U-Net dengan 4 kelas skala meiboscore menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data citra yang digunakan pada penelitian ini adalah sebanyak 417 data citra yang dilatih menggunakan ResNet50 dengan epoch sebanyak 30 dan learning rate sebesar 0,001. Pembagian data dilakukan dengan masing-masing data training, data testing, dan data validation sebanyak 80%, 20%, dan 10% dari data training. Dari hasil simulasi, diperoleh masing-masing nilai rata-rata akurasi dan AUC adalah 92,62% dan 0,99 dengan running time yang didapat selama 1,8 detik.

---

Dry eye disease is a chronic multifactorial condition that often occurs on the ocular surface. Dry eye is classified into two, namely aqueous deficiency dry eye and evaporative dry eye. Evaporative dry eye disease caused by meibomian gland dysfunction already occurs in more than 85% of dry eye disease cases. Meibomian gland dysfunction is a diffuse and chronic disorder of the meibomian glands that is generally characterized by qualitative or quantitative changes in glandular secretions. The area of damage to the meibomian glands is divided into 4 levels or scales, namely normal (meiboscore 0), meiboscore 1, meiboscore 2, and meiboscore 3. The process of diagnosing dry eye disease is still done subjectively by medical personnel, which can lead to differences in assessing the level of meibomian gland dysfunction. The author uses data science to diagnose dry eye disease by taking an Artificial Intelligence (AI) approach in which there is a deep learning method. In this research, the author classifies image data which is the result of segmentation of the U-Net model with 4 classes of meiboscore scale using the Convolutional Neural Network (CNN) method with ResNet50 architecture. The image data used in this research is 417 image data trained using ResNet50 with 30 epochs and a learning rate of 0.001. Data division is done with each training data, testing data, and validation data as much as 80%, 20%, and 10% of the training data. From the simulation results, the average accuracy and AUC values are 92.62% and 0.99 respectively with a running time of 1.8 seconds."

"Mata merupakan salah satu panca indra dan menjadi aset terpenting yang dimiliki oleh manusia dalam menjalani kehidupan sehari hari. Salah satu bagian terpenting dari mata adalah bagian kelopak karena terdapat sebuah kelenjar yaitu kelenjar meibom yang berfungsi untuk menyekresikan lipid dan berperan dalam menjaga kelembaban bola mata. Sehingga, permasalahan yang terjadi pada kelenjar meibom dapat menyebabkan suatu pernyakit yang disebut penyakit mata kering. Dikarenakan proses diagnosis yang dilakukan oleh dokter masih terbilang subjektif, disini penulis mengusulkan untuk menggunakan pendekatan deep learning untuk melakukan segmentasi pada citra kelenjar meibom atau citra meibography. Segmentasi dilakukan dengan membagi area kedalam 3 segmen (latar, kelenjar meibom, dan atrophy) yang diharapkan dapat membantu proses diagnosis tersebut. Metode deep learning yang digunakan dalam segmentasi ini adalah Metode SegNet yang merupakan salah satu model Convolutional Neural Network (CNN). Data yang digunakan pada penelitian ini merupakan data sekunder yang berasal dari 35 pasien penyakit mata kering di Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dengan total 139 data citra yang terbagi atas 35 citra kelopak mata pada masingmasing bagian kanan atas, kanan bawah, dan kiri bawah. Sedangkan 34 citra kelopak mata bagian kiri atas. Pada tahap persiapan data, dilakukan pembuatan ground truth dengan proses anotasi. Pada tahap pre-processing, dilakukan resize citra menjadi ukuran 224 x 224 yang kemudian data dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation yang kemudian kedua data training dan validation diterapkan teknik augmentasi yaitu rotation dan flip horizontal agar dataset yang digunakan dalam proses modelling bisa menjadi lebih banyak. Setelah augmentasi, jumlah data training, validation, dan testing berturut-turut menjadi 300, 33, dan 28 data. Kemudian dilakukan stacking pada citra asli dan one hot encoding pada ground truth. Training model dilakukan menggunakan model SegNet dengan hyerparameter model yaitu batch size 32, learning rate 0.0001, dan epoch sebanyak 300. Model juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 10 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99,31% dan 92,01% pada akurasi training dan akurasi validation-nya, diperoleh nilai 27,45% dan 44,33% pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 92,99%, testing loss sebesar 0,4265 dan Mean-IoU sebesar 70,03%.

---

Eyes is one of the five senses that play a role to see a things, eyes also one of the most important asset that humans have. One of the most important parts of the eye is the eyelids, because there is a gland, called meibomian gland. Meibomian gland has a function to secrete the lipids and plays a role at keeping our eyes moist. So therefore. The problems that may occur at meibomian gland can cause a disease called dry eye disease. Because a diagnosis process that performed by doctors is still fairly subjective, right now the writer propose to use deep learning approach by segmenting meibomian gland images. Segmentation is done by dividing the area itu 3 segments (background, meibomian gland, and atrophy) which is expected to help the diagnosis process. The deep learning method used in this segmentation is the Segnet method, which is one of the Convolutional Neural Network (CNN) models. The data used in this study were the secondary data derived from 35 dry eye patients at Ciptomangunkusumo Hospital, Kirana Department with a total of 139 images data divided into 35 eyelid images on each of the upper right, lower right, and lower left. And 34 images of the upper left eyelid. During the data preparation, a ground truth was made by the annotation process which the marking area of segmentation was given directly by the relevant opthalmologists. At the pre-processing, the images and ground truths were resize to a size of 224 x 224, then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to used as validation data. Then both training data and validation are applied augmentation techniques, namely rotation and horizontal flip so that the dataset used in the modeling process can become more numerous. After the augmentation, the number of data for training, validation, and testing respectively become 300, 33, and 28 data. Then, images data were applied a stacking and ground truth were applied an one hot encoding. Model training was carried out by using SegNet model with hyperparameter models were batch size of 32, learning rate of 0.0001, and epoch of 300. The model also applied an optimization function, named Adam (Adaptive moment estimation) and also applied loss function called categorical cross entropy. The modelling was done by 10 times trial and the training process succeeded reach the average performance value of 99,31% and 92,01% in training and validation accuracy, reach the average performace value of 27,45% and 44,33 % in loss training and loss validation. Meanwhile the testing process succeeded reach the average performace value of 92,99% in testing accuracy, 0,4265 in testing los, and Mean-IoU of 70,03%."

"Mata merupakan salah satu dari panca indra yang digunakan untuk melihat dan menjadi aset terpenting dalam hidup manusia. Salah satu bagian terpenting dari mata ialah kelopak mata di mana terdapat sebuah kelenjar yang disebut kelenjar meibom. Kelenjar ini berada pada lapisan air mata yang berguna untuk menyekresikan komponen minyak atau lipid dan berperan penting dalam memperlambat proses evaporasi yang menyebabkan terjaganya kelembapan pada mata. Kekurangan kelenjar meibom yang dikenal sebagai Disfungsi Kelenjar Meibom (DKM) merupakan penyebab utama dari penyakit mata kering. Karena proses diagnosis yang dikerjakan oleh tenaga medis terbilang subjektif, maka penelitian ini menggunakan pendekatan deep learning untuk melakukan klasifikasi pada tingkat keparahan dari DKM. Klasifikasi dilakukan dengan membagi tingkat keparahan atau kehilangan kelenjar meibom berdasarkan hasil meiboscore-nya menjadi 4 kelas, yaitu kelas 0 untuk meiboscore ≤ 25%, kelas 1 untuk 25% < meiboscore ≤ 50%, kelas 2 untuk 50% < meiboscore ≤ 75%, dan kelas 3 untuk meiboscore  > 75%. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data yang digunakan pada penelitian ini adalah 139 citra meibography yang bersumber dari Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dari 35 pasien mata kering yang sudah mengalami augmentasi dan segmentasi, sehingga data akhir yang digunakan yaitu sebanyak 417 citra segmentasi. Pada tahap pre-processing, dilakukan perhitungan meiboscore dengan bantuan software dan membaginya ke dalam 4 kelas sesuai dengan nilai meiboscore­-nya. Citra yang sudah dilabel ini kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation, sehingga 417 data tersebut terbagi menjadi 299 data training, 84 data testing, serta 34 data validation. Training model dilakukan menggunakan arsitekur AlexNet dengan hyperparameter berupa epoch sebanyak 100, batch size 32, dan learning rate 0,0001. Pada arsitektur ini juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan memperoleh nilai rata-rata akurasi training dan validation sebesar 99,59% dan 99,41% dan nilai dari loss training dan loss validation sebesar 0,1259 dan 0,0524. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 87,38%; testing loss sebesar 0,5151; dan Area Under Curve (AUC) sebesar 0,9715.

---

The eye is one of the five senses used to see and is the most important asset in human life. One of the most important parts of the eye is the eyelid where there is a gland called meibomian gland. This gland is located in the tear film which is useful for secreting oil or lipid components and plays an important role in slowing down the evaporation process which leads to maintaining moisture in the eye. Meibomian gland deficiency, known as Meibomian Gland Dysfunction (MGD), is a major cause of dry eye disease. Since the diagnosis process carried out by medical personnel is subjective, this study uses a deep learning approach to classify the severity of MGD. Classification is done by dividing the severity or loss of meibomian glands based on meiboscore results into 4 classes, namely class 0 for meiboscore ≤ 25%, class 1 for 25% < meiboscore ≤ 50%, class 2 for 50% < meiboscore ≤ 75%, and class 3 for meiboscore > 75%. The deep learning method used is Convolutional Neural Network (CNN) with AlexNet architecture. The data used in this study are 139 meibography images sourced from Ciptomangunkusumo Hospital (RSCM) Kirana Department from 35 dry eye patients that have undergone augmentation and segmentation, so that the final data used is 417 segmentation images. In the pre-processing stage, meiboscore was calculated with the help of software and divided into 4 classes according to the meiboscore value. The labeled images were then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to be used as validation data, so that the 417 data is divided into 299 training data, 84 testing data, and 34 validation data. The training model is carried out using the AlexNet architecture with hyperparameters in the form of epochs of 100, batch size 32, and learning rate 0,0001. In this architecture, the optimization function Adam (Adaptive moment estimation) and categorical cross entropy loss function are also applied. The modeling process was carried out 5 times and obtained an average training and validation accuracy value of 99,59% and 99,41% and the value of training loss and validation loss of 0,1259 and 0,0524. While the average performance of the testing model successfully obtained a testing accuracy of 87,38%; testing loss of 0,5151; and Area Under Curve (AUC) of 0,9715."

"Mata merupakan salah satu bagian tubuh yang penting pada hidup manusia. Menggunakan bantuan mata, kita dapat menjalankan berbagai macam aktivitas dengan mudah. Namun, banyak sekali penyakit yang dapat menyerang mata, salah satunya adalah mata kering. Sebuah studi yang ada telah mengkonfirmasi bahwa sebagian besar pasien dengan penyakit mata kering dilaporkan mengalami disfungsi kelenjar meibom. Oleh karena itu, sangat penting untuk mengevaluasi kinerja kelenjar meibom pada pasien mata kering. Akan tetapi, pada kenyataannya hasil evaluasi kelenjar meibom oleh tenaga profesional masih sangat subjektif. Seorang dokter mata bisa memiliki pendapat mengenai tingkat kerusakan kelenjar meibom yang berbeda dengan dokter lainnya. Sehingga, alat diagnostik yang efektif diperlukan untuk mengevaluasi kelenjar meibom agar terhindar dari hasil penilaian tenaga profesional yang subjektif. Oleh sebab itu, pada penelitian ini dilakukan segmentasi kelenjar meibom dengan bantuan deep learning untuk menghindari penilaian tenaga profesional yang subjektif. Penelitian ini menggunakan arsitektur yang bernama U-Net. Data yang dimiliki berjumlah 139 citra meibography berasal dari pasien penyakit mata kering dari Rumah Rumah Sakit Cipto Mangunkusumo Departemen Kirana yang terdiri dari 35 citra meibography kelopak mata atas pada mata kanan, 34 citra meibography kelopak mata atas pada mata kiri, 35 citra meibography kelopak mata bawah pada mata kanan, dan 35 citra meibography kelopak mata bawah pada mata kiri. Kemudian citra meibography melalui tahapan anotasi untuk mendapatkan ground truth dan di resize menjadi ukuran 256 x 256. Selanjutnya data tersebut mengalami augmentasi dengan teknik rotasi dan teknik horizontal flip. Sehingga total data citra meibography menjadi 417 citra. Pada penelitian ini data citra meibography dibagi menjadi 3 bagian yaitu data training, data validation, dan data testing. Pada kasus pertama, jumlah data training adalah 80% dari citra meibography yang dimiliki, data validation sebanyak 10% citra meibography dari data training, dan data testing sebanyak 20% citra meibography yang dimiliki. Pada kasus kedua, pembagian data training dan data testing masih sama akan tetapi pembagian data validation adalah 20% dari data training. Pada kasus terakhir pembagian data training dan data testing masih sama akan tetapi pembagian data validation adalah 30% dari data training. Dengan melakukan 5 kali percobaan untuk masing-masing kasus pembagian data, didapat bahwa kasus pertama menghasilkan rata-rata akurasi 94,50% dan rata-rata Intersection over Union (IoU) 72,70%, kasus kedua menghasilkan nilai rata-rata akurasi 94,49% dan rata-rata Intersection over Union (IoU) yaitu 73,86%, dan kasus terakhir memiliki rata-rata akurasi 94,14% dan Intersection over Union (IoU) 72,15%.

---

The eye is one of the essential body parts in human life. With the eye's help, we can carry out various activities easily. However, many diseases can attack the sights, including dry eyes. An existing study has confirmed that most patients with dry eye disease reported meibomian gland dysfunction. Therefore, it is crucial to evaluate the performance of the meibomian glands in dry eye patients. However, the results of the evaluation of the meibomian glands by professionals are still very subjective. An ophthalmologist may have an opinion regarding the level of meibomian gland damage that is different from other doctors. Thus, an effective diagnostic tool is needed to evaluate the meibomian glands to avoid subjective professional assessment results. Therefore, in this study, segmentation of the meibomian glands was carried out with the help of deep learning to prevent subjective professional judgments. This research uses an architecture called U-Net. The data is 139 meibographic images derived from dry eye patients from Cipto Mangunkusumo Hospital Kirana Department consisting of 35 meibographic images of the upper eyelid on the right eye, 34 meibographic images of the upper eyelid on the left eye, 35 meibographic images of the lower eyelid in the right eye, and 35 meibography images of the lower eyelid in the left eye. Then the meibography image goes through the annotation stages to get the ground truth and is resized to a size of 256 x 256. Furthermore, the data is augmented using rotation techniques and horizontal flip techniques. So, the total meibography image data becomes 417 images. In this study, meibography image data is divided into three parts: training data, validation data, and testing data. In the first case, the amount of training data is 80% of the meibography image, validation data is 10% of the meibography image from the training data, and testing data is 20% of the meibography image. In the second case, the distribution of training data and testing data is still the same, but the distribution of validation data is 20% of the training data. In the last case, the training data distribution and testing data are still the same, but the distribution of validation data is 30% of the training data. By conducting five trials for each case of data division, it was found that the first case produced an average accuracy of 94.50% and an average Intersection over Union (IoU) of 72.70%, the second case made an average accuracy value of 94.49% and the average Intersection over Union (IoU) is 73.86%, and the third case has an average accuracy of 94.14% and Intersection over Union (IoU) 72.15%."

"Mata kering merupakan penyakit yang beredar pada masyarakat umum. Mata kering menyebabkan rasa tidak nyaman dan mengganggu aktivitas sehari-hari. Faktanya, lebih dari 85% penderita penyakit mata kering disebabkan kerusakan kelenjar meibom (meibomian gland dysfunction, MGD). Akibatnya mata yang memilki MGD menjadi kering karena intensitas evaporasi air mata meningkat. Untuk mendeteksi tingkat MGD dilakukanmeibography. Dari hasil meibography, klinisi (dokter spesialis mata) menilai tingkat MGD yang disebut meiboscore. Namun realitanya, penilaian meiboscore masih sangat subjektif antar para klinisi. Alat yang digunakan juga mahal dan tidak seluruh klinik mata memiliki alat tersebut. Oleh karena itu pada tugas akhir ini dilakukan deteksi tingkat kerusakan kelenjar meibom dengan pendekatan faktor-faktor potensi MGD dan machine learning. Metode machine learning yang digunakan dalam tugas akhir ini ini adalah radial basis function neural network (RBFNN). Metode machine learning dalam studi ini dilakukan Teknik SMOTE terelebih dahulu untuk menyeimbangkan jumlah data antar kelas, lalu data dibagi menjadi data training dan data testing dengan rasio sebesar 90%: 10%, 80%: 20%, 70%: 30%, dan 60%: 40% . Selain itu dilakukan pengurangan fitur-fitur yang kurang relevan menggunakan seleksi fitur Chi square. Hasil evaluasi metode RBFNN memperoleh nilai rata-rata akurasi, presisi, recall dan f1-score terbaik dicapai menggunakan data testing 20% dengan masing-masing mencapai nilai 96%, 95%, 100%, dan 95% secara berurut

---

Dry eye is a common disease happened among the public. Dry eye causes discomfort and distracts daily activities. More than 85% dry eye suffers are caused by meibomian gland dysfunction (MGD). As a result, eyes with MGD becomes dry due to high tear evaporation intensity. Detecting MGD can be done by meibography. The MGD level is scored by clinicians which is called meiboscore. However, scoring the meiboscore is still very subjective among the clinicians. The tool that is used are expensive and not all eye clinics have this tool. Therefore, this study aims to detect the MGD level with the approach of MGD potential factors and machine learning. In this study radial basis function neural network (RBFNN) is used. The machine learning method performs SMOTE technique to balance the amount of data in each class, then all data is divided into training data and testing data by90%: 10%, 80%: 20%, 70%: 30%, and 60%: 40% respectively. Moreover, irrelevant features are reduced to optimize using feature selection, Chi Square. To reduce the features that are less relevant, Chi square feature selection is performed. RBFNN method obtained the best average accuracy 96%, average precision 95%, average recall 100%, and average f1-score 95% using the 20% data testing."

"Kelenjar Meibom atau Meibomian Gland (MG) adalah salah satu elemen dari mata, letaknya berada pada kelopak mata. Kelenjar meibom berperan untuk mensekresikan komponen minyak sehingga mencegah sindrom mata kering. Kelainan dan perubahan ukuran dari kelenjar meibom menyebabkan kerusakan MG yang disebut dengan meibomian gland dysfunction (MGD). Kerusakan pada kelenjar meibom dapat dideteksi dengan citra yang dinamakan meibography. Kerusakan pada kelenjar meibom memiliki beberapa tingkatan yang disebut dengan meiboscore. Namun pada kenyataanya di dunia kedokteran masih subjektif untuk menentukan meiboscore tingkat keparahan disfungsi kelenjar meibom. Dalam menjawab permasalahan tersebut, metode segmentasi citra meibography dengan AI (Artificial intelligence) dapat menjadi metode klinis yang efektif untuk mengevaluasi kerusakan bentuk kelenjar meibom untuk tindakan dan diagnosa medis lebih lanjut. Penelitian ini menggunakan pendekatan machine learning khususnya deep learning yaitu metode Fully Convolutional Network (FCN) dengan menggunakan transfer learning VGG16, dengan variasi upsampling FCN-8. Data yang digunakan pada penelitian kali ini merupakan data sekunder citra meibography yang berasal dari pasien Rumah Sakit Cipto Mangunkusumo departemen RSCM-KIRANA. Pertama-tama untuk mendapatkan ground truth, maka dilakukan anotasi pada data citra dengan supervisi dari dokter. Sebelum dilakukan percobaan pada model, citra meibography akan dilakukan tahap pre-processing dengan menggunakan resize dan augmentasi data, serta one-hot encoding untuk ground truth. Eksperimen dilakukan dengan 5 kali percobaan running model pada data training dan data testing. Untuk hasil kinerja training model, dari eksperimen menunjukan bahwa training loss rata-rata yang didapat adalah 11,37% dan memperoleh rata-rata pixel accuracy sebesar 95,19%. Sementara untuk evaluasi kinerja model pada data validasi dapat diperoleh bahwa validation loss rata-rata adalah 31,776% dan memperoleh rata-rata validation pixel accuracy sebesar 91,404%. Selanjutnya untuk hasil kinerja pada data testing, diperoleh rata-rata testing loss adalah 20,88%, dan rata-rata testing pixel accuracy sebesar 92,91%. Disamping itu, diperoleh pula untuk rata-rata mean-IoU dari 5 kali percobaan adalah 71.966%.

---

Meibomian gland dysfunction (MGD) is a chronic disorder of the meibomian glands, usually with morphological changes in the secretory glands. Meibography images can detect meibomian gland dysfunction. However, in the medical world, it is still subjective to determine the severity of meibomian gland dysfunction. In answering these problems, the meibography image segmentation method with AI (Artificial intelligence) can be an effective clinical method to evaluate the morphology of the meibomian glands for further medical treatment and diagnosis. This research uses a machine learning approach, especially deep learning, namely the Fully Convolutional Network (FCN) method using transfer learning VGG16, with upsampling variations of FCN-8. The data used in this study is secondary meibography image from patients at one of the hospitals in Indonesia. The meibography image is first annotated by an ophthalmologist to get the ground truth. Subsequently, data augmentation techniques, including rotation and flipping, are applied to expand the dataset. Images are then preprocessed by resizing to 224 x 224 pixels. Moreover, the annotated data is also pre-processed using one-hot encoding. The dataset was divided into three cases, with five trials of the model training conducted for each case. A 10% data validation split from the training data was allocated for the first case, a 20% data validation split from the training data for the second case, and a 30% data validation split from the training data for the third case. Based on the testing evaluation results, the experiment reveals that Case 1 outperformed Cases 2 and 3, achieving an average pixel accuracy of 92.42%, a mean-IoU of 68.50%, and mean Dice coefficient of 81.30%."

"Latar belakang: Glaukoma merupakan penyakit yang ditandai oleh gangguan lapang pandang visual dan perubahan tertentu pada cawan optik saraf. Berdasarkan Riskesdas 2007, prevalensi glaukoma di Indonesia mencapai 4,6 per 1000 penduduk. Glaukoma sudut terbuka merupakan tipe glaukoma tersering dimana terdapat sudut yang terbuka pada ruang anterior mata, perubahan ujung nervus optikus, dan hilangnya penglihatan perifer progresif. Glaukoma dapat berujung pada kebutaan apabila tidak ditatalaksana dengan baik. Terapi utama pada glaukoma adalah pengobatan farmakologis jangka panjang yang memerlukan kepatuhan pasien seumur hidup dan hanya bertujuan untuk mencegah disabilitas lebih lanjut. Tujuan: Memberikan gambaran mengenai kepatuhan penggunaan obat pada pasien glaukoma sudut terbuka di RSCM Kirana, serta hubungannya dengan status pendidikan formal pasien dan tingkat pengetahuan glaukoma pasien. Metode: Penelitian ini merupakan studi potong lintang pada 96 subjek dengan teknik consecutive sampling. Subjek merupakan pasien glaukoma sudut terbuka di RSCM Kirana yang memenuhi kriteria inklusi dan tidak memiliki kriteria eksklusi yang telah ditetapkan. Kepatuhan penggunaan obat dan tingkat pengetahuan glaukoma diukur menggunakan kuesioner adaptasi Morisky Medication Adherence Scale-8 (MMAS-8) dan Glaucoma Treatment Compliance Assessment Tool (GTCAT).Hasil: Mayoritas subjek memiliki status pendidikan formal tinggi (56.3%), pengetahuan berkaitan glaukoma sedang (51.0%), dan kepatuhan rendah (50.0%). Uji komparatif yang dilakukan pada status pendidikan formal dan tingkat pengetahuan glaukoma terhadap kepatuhan penggunaan obat memberikan nilai p sebesar 1.000 dan 0.501.Simpulan: Status pendidikan formal dan tingkat pengetahuan glaukoma tidak memiliki hubungan yang signifikan (p>0.05) dengan kepatuhan penggunaan obat glaukoma sudut terbuka di RSCM Kirana.

---

Introduction: Glaucoma is a disease characterized by visual field problems and certain changes in optic nerve plate. Based on Riskesdas 2007, the prevalence of glaucoma in Indonesia has reached 4.6 cases per 1000 populations. Open-angle glaucoma is the most common type of glaucoma which characterized by open angle in anterior chamber of eye, changes in optic nerve, and progressive loss of peripheral vision. Glaucoma can lead to blindness if there is no proper therapy given. The main treatment option is long-term pharmacological treatment that requires lifetime adherence and only intended to prevent further disabilities.

Objectives: Provide an overview of medication adherence level in open-angle glaucoma patients at RSCM Kirana, as well as its relationship with formal education status and patient’s knowledge regarding glaucoma.

Methods: This study is a cross-sectional study conducted on 96 subjects with consecutive sampling technique. Subjects were open-angle glaucoma patients at RSCM Kirana who met the inclusion criteria. Measurement of medication adherence level and patient’s knowledge level were carried out using questions adapted from Morisky Medication Adherence Scale-8 (MMAS-8) and Glaucoma Treatment Compliance Assessment Tool (GTCAT).

Results: Majority of subjects in this study had high formal education status (56.3%), moderate glaucoma-related knowledge (51.0%), and low adherence (50.0%). The p-value given from comparative test conducted on formal education status and glaucoma-related knowledge level towards medication adherence are 1.000 and 0.501, respectively.

Conclusions: Patient’s formal education status and glaucoma-related knowledge did not significantly affect (p>0.05) medication adherence in open-angle glaucoma patients."

"Latar belakang: Glaukoma membutuhkan pengobatan seumur hidup untuk mencegah perburukan dari saraf optik mata sehingga tingkat kepatuhan pasien menjadi faktor yang sangat penting untuk keberhasilan pengobatan. Tujuan: RSCM Kirana sebagai pusat rujukan penyakit mata di Indonesia belum memiliki data mengenai tingkat kepatuhan pada pasien glaukoma, sehingga penelitian ini ditujukan untuk menyediakan informasi mengenai tingkat kepatuhan pasien serta pengaruh antara lama pemakaian dan frekuensi pemakaian terhadap tingkat kepatuhan pasien. Metode: Penelitian ini menggunakan teknik potong lintang dan digunakan kuesioner Morisky Medication Adherence Scale (MMAS-8) sebagai instrumen yang disebarkan kepada pasien glaukoma pada RSCM Kirana dengan pengisian kuesioner dilakukan dengan mewawancarai pasien khususnya pasien glaukoma primer sudut terbuka. Pengambilan subjek dilakukan dengan teknik consecutive sampling dengan jumlah subjek sebanyak 96 pasien. Hasil: Didapatkan sebesar 50% pasien tergolong memiliki tingkat kepatuhan rendah, 32.29% pasien memiliki tingkat kepatuhan sedang, dan 17.70% lainnya tergolong memiliki tingkat kepatuhan tinggi. Lama pengobatan terbanyak berada pada rentang 1 – 5 tahun yaitu sebesar 42.71% sedangkan untuk frekuensi pemakaian terbanyak berada pada kelompok dengan frekuensi pemakaian 1–3 kali yaitu sebanyak 56.25% pasien. Pengaruh antara lama pemakaian terhadap tingkat kepatuhan pasien cenderung tidak menunjukkan adanya hasil yang signifikan secara statistik yaitu nilai p = 0.355. Pada pengaruh antara frekuensi pemakaian terhadap tingkat kepatuhan juga cenderung tidak menunjukkan adanya makna yang signifikan secara statistik yaitu nilai p= 0.537. Simpulan: Korelasi antara lama pemakaian dan frekuensi pemakaian terhadap tingkat kepatuhan cenderung tidak memiliki pengaruh (p= >0.05), sehingga perlu dilakukan penelitian lebih lanjut mengenai faktor – faktor lain yang dapat menyebabkan ketidakpatuhan pada pasien.

---

Background: Glaucoma needs a lifelong time of medication to prevent optic nerve damage, hence patient adherence is crucial to ensure treatment success.

Purpose: RSCM Kirana as a National Central General Hospital for eye disease has not been able to provide the data regarding medical adherence among glaucoma patients, therefore this study was aim to assess level of adherence among primary angle glaucoma patients and to analyze the relationship between length of use and frequency of use against medical adherence among glaucoma patients in RSCM Kirana.

Methods: This study was a cross sectional study. A consecutive sampling was used to select 96 participants. The participants were interviewed and adherence was rated using a Morisky Medication Adherence Scale (MMAS-8) questionnaire.

Results: 50% of patients have low level of adherence to medical prescription, 32.29% have moderate level of adherence, and 17.70% other have high level of adherence to medical prescription. Most patients have been using glaucoma medication for 1 – 5 years which is 42.71% while 56.25% of patients were using 1 – 3 times of eye drops daily. There were no association between length of use and frequency of use with medical adherence (p= >0.05).

Conclusions: Medical adherence were not correlated with the length of use and frequency of use of medication. Therefore, we suggested to do a further research to identify other factors that may affect medical adherence among glaucoma patients."

"Latar belakang: Glaukoma primer sudut terbuka (GPSTa) merupakan penyakit kronik dengan terapi yang bervariasi, salah satunya adalah pemberian obat tetes mata. Namun, diketahui bahwa tingkat ketidakpatuhan pasien dalam pengobatan GPSTa cukup tinggi (20–58%). Pasien yang tidak patuh pengobatan (tingkat kepatuhan pengobatan < 80%) memiliki nilai vision-related quality of life yang lebih rendah daripada peserta yang dinyatakan patuh dalam pengobatan. Frekuensi penggunaan obat merupakan salah satu faktor yang memengaruhi kepatuhan pengobatan pasien. Studi ini bertujuan untuk membahas lebih lanjut mengenai hubungan antara frekuensi pengobatan dan kualitas hidup pasien dengan glaukoma primer sudut terbuka. Metode: Penelitian ini menggunakan desain studi cross sectional. Subjek dari penelitian ini merupakan pasien GPSTa yang berobat di RSCM Kirana hingga bulan Juli 2022. Dilakukan wawancara kepada 140 subjek yang bersedia menggunakan kuesioner the 25- Item National Eye Institute Visual Function Questionare (NEI-VFQ-25) yang telah divalidasi. Hasil: Subjek dibagi menjadi dua kelompok, pasien dengan frekuensi pengobatan ≤ 2 kali perhari dan > 2 kali perhari. Tidak ditemukan adanya hubungan yang signifikan antara frekuensi pengobatan dan kualitas hidup pasien GPSTa (p=0,689). Kesimpulan: Frekuensi pengobatan tidak berpengaruh dalam kualitas hidup pasien glaukoma.

---

Introduction Primary open-angle glaucoma (POAG) is a chronic disease with various therapies, one of which is the administration of eye drops. However, it is known that the non-adherence rate of treatment is quite high (20–58%). Patients who did not adhere to treatment (medication adherence rate <80%) had a lower vision-related quality of life than participants who were declared adherent to treatment. Frequency of drug use is one of the factors that affect patient medication adherence. This study aims to further discuss the relationship between frequency of treatment and quality of life of patients with primary open-angle glaucoma. Method: This study used a cross sectional study design. The subjects of this study were POAG patients who were treated at RSCM Kirana until July 2022. Interviews were conducted with 140 subjects use the 25-Item National Eye Institute Visual Function Questionnaire (NEI-VFQ-25) that has been validated. Result: Subjects were divided into two groups, patients with treatment frequency ≤ 2 times per day and > 2 times per day. There was no significant relationship between the frequency of treatment and the quality of life of primary open-angle glaucoma patients (p=0.689). Conclusion: The frequency of treatment has no effect on the quality of life of glaucoma patients."