Kecerdasan buatan (AI) telah membawa dampak revolusioner di berbagai sektor, termasuk dalam bidang kesehatan. Salah satu aplikasi menarik dari AI adalah penerapan pada citra iris mata untuk mendeteksi tingginya kadar kolesterol. Deteksi dini kadar kolesterol yang tinggi dapat memainkan peran kunci dalam pencegahan penyakit kardiovaskular. Artikel ini akan membahas secara mendalam penerapan kecerdasan buatan berdasarkan citra iris mata, dengan fokus pada studi kasus deteksi kolesterol.

Tingginya kadar kolesterol dalam tubuh dapat menjadi faktor risiko utama untuk berbagai penyakit jantung dan pembuluh darah. Oleh karena itu, deteksi dini dan pemantauan tingkat kolesterol menjadi sangat penting untuk menjaga kesehatan jantung. Pengolahan citra iris mata menjadi salah satu pendekatan inovatif dalam memanfaatkan kecerdasan buatan untuk mendeteksi indikasi tingginya kadar kolesterol.

Citra Iris Mata dalam Deteksi Kolesterol

Kedalaman Informasi pada Iris Mata

Iris mata, dengan keunikannya yang unik pada setiap individu, menyimpan berbagai informasi yang dapat diakses melalui citra digital. Detil struktur, warna, dan pola pada iris mata memberikan gambaran yang kaya akan karakteristik biometrik. Dengan menerapkan kecerdasan buatan pada citra iris mata, kita dapat mengidentifikasi tanda-tanda yang berkaitan dengan tingginya kadar kolesterol.

Pemanfaatan Teknologi Iris Detection

Proses identifikasi dan deteksi pada iris mata sering melibatkan teknologi canggih seperti Iris Detection menggunakan Daugman’s integrodifferential operator. Metode ini memungkinkan identifikasi unik melalui analisis pola tekstur dan bentuk iris. Dengan teknologi ini, citra mata dapat diolah secara efektif untuk mendapatkan fitur yang mencerminkan kesehatan dan potensi masalah terkait kolesterol.

Baca Juga: Deteksi Iris Mata dengan Daugman’s Integrodifferential Operator

Daugman’s Integrodifferential Operator

Daugman’s Integrodifferential Operator adalah metode inovatif untuk mendeteksi iris mata dengan memanfaatkan analisis intensitas cahaya dan pola tekstur. Cara kerja metode ini dimulai dengan konversi citra iris menjadi citra grayscale. Setelah itu, operator Daugman menyusuri iris dengan memeriksa perubahan intensitas cahaya sepanjang garis lingkaran. Operasi integral dan diferensial dilakukan untuk mengidentifikasi pola unik pada iris.

Selama proses ini, Daugman’s operator menyesuaikan parameter lingkaran dengan menghitung gradien dan integral sepanjang garis lingkaran. Metode ini mempertimbangkan variasi kepadatan pigmen, pola serat, dan tekstur iris, yang membuatnya sangat andal. Hasilnya adalah representasi numerik dari fitur-fitur unik pada iris mata.

Implementasi pada Source Code

Inisialisasi dan Pembacaan Data

Implementasi pada kode sumber dimulai dengan inisialisasi dan pembacaan data dari dua kategori: “Kolesterol” dan “Normal.”

clc; clear; close all; warning off all;

% Folder Kolesterol
nama_folder_kolesterol = 'Data Latih/Kolesterol';
nama_file_kolesterol = dir(fullfile(nama_folder_kolesterol, '*.jpg'));
jumlah_file_kolesterol = numel(nama_file_kolesterol);

ciri_kolesterol = zeros(7, jumlah_file_kolesterol);
target_kolesterol = cell(1, jumlah_file_kolesterol);

% Proses pengolahan citra untuk Kolesterol
for n = 1:jumlah_file_kolesterol
    Img = imread(fullfile(nama_folder_kolesterol, nama_file_kolesterol(n).name));
    % Proses pengolahan citra iris dan ekstraksi fitur
    ci = iris_detection(rgb2gray(Img), 20, 100);
    % ... (proses ekstraksi fitur dan deteksi kolesterol)
}

% Folder Normal
nama_folder_normal = 'Data Latih/Normal';
nama_file_normal = dir(fullfile(nama_folder_normal, '*.jpg'));
jumlah_file_normal = numel(nama_file_normal);

ciri_normal = zeros(7, jumlah_file_normal);
target_normal = cell(1, jumlah_file_normal);

% Proses pengolahan citra untuk Normal
for n = 1:jumlah_file_normal
    Img = imread(fullfile(nama_folder_normal, nama_file_normal(n).name));
    % ... (proses serupa untuk Normal)
}

Pembentukan Data Latih

Setelah pengolahan citra, data latih disusun untuk melatih model deteksi.

ciri_latih = [ciri_kolesterol, ciri_normal]';
target_latih = [target_kolesterol, target_normal]';

Pelatihan Model Menggunakan SVM

Model Support Vector Machine (SVM) digunakan untuk melatih dan mengklasifikasikan citra berdasarkan citra iris mata ke dalam kategori Kolesterol atau Normal.

Mdl = fitcsvm(ciri_latih, target_latih, 'Standardize', true, 'KernelFunction', 'RBF');

Evaluasi Model dan Penyimpanan

Model yang telah dilatih dievaluasi untuk mengukur akurasi deteksi.

hasil_latih = predict(Mdl, ciri_latih);

jumlah_benar = 0;
jumlah_data = size(ciri_latih, 1);
for k = 1:jumlah_data
    if isequal(hasil_latih{k}, target_latih{k})
        jumlah_benar = jumlah_benar + 1;
    end
}
akurasi = jumlah_benar / jumlah_data * 100;
disp(['Akurasi Pelatihan = ', num2str(akurasi), ' %']);

Model yang telah dilatih disimpan untuk digunakan pada tahapan selanjutnya.

save Mdl Mdl

Pengujian Sistem

1. Inisialisasi dan Pemanggilan Model

clc; clear; close all; warning off all;
load('Mdl.mat')

Baris pertama digunakan untuk membersihkan tampilan command window dan workspace, menutup semua figure yang terbuka, serta mematikan semua pesan peringatan. Baris kedua memuat model yang telah dilatih sebelumnya dari file ‘Mdl.mat’. Model ini berisi informasi yang diperlukan untuk melakukan prediksi pada data uji.

2. Pengolahan Data Uji

nama_folder = 'Data Uji';
nama_file = dir(fullfile(nama_folder,'*.jpg'));
jumlah_file = numel(nama_file);
ciri_uji = zeros(7,jumlah_file);

Baris ini menetapkan nama folder tempat citra mata uji disimpan, membaca file-file dengan ekstensi .jpg di dalam folder tersebut, dan menginisialisasi matriks ciri_uji yang akan menyimpan hasil ekstraksi ciri dari citra-citra mata uji.

3. Pengolahan Citra Mata untuk Data Uji

for n = 1:jumlah_file
    Img = imread(fullfile(nama_folder,nama_file(n).name));
    Img = imresize(Img,[150 200]);
    Img_gray = rgb2gray(Img);
    ci = iris_detection(Img_gray,20,100);
    [row,col] = size(Img_gray);
    bw1 = false(row, col);
    [x, y] = meshgrid(1:col, 1:row);
    bw1((x - ci(2)).^2 + (y - ci(1)).^2 <= ci(3).^2) = true;
    Img_gray(~bw1) = 0;    
    bw2 = imbinarize(Img_gray);
    ciri_uji(:,n) = feature_vec(bw2);
end

Loop ini melakukan pengolahan citra untuk setiap citra mata uji. Citra diubah ukurannya, diubah menjadi citra grayscale, dilakukan deteksi iris mata dengan metode Daugman’s integrodifferential operator, dilakukan operasi thresholding, dan dilakukan ekstraksi ciri moment invariant dari citra mata tersebut. Hasil ekstraksi ciri disimpan dalam matriks ciri_uji.

4. Pengujian Model

hasil_uji = predict(Mdl,ciri_uji');

Baris ini melakukan pengujian model SVM terhadap data uji yang telah diolah sebelumnya. Model memberikan prediksi kelas (Kolesterol atau Normal) untuk setiap citra mata uji. Hasil prediksi disimpan dalam matriks hasil_uji.

Penerapan kecerdasan buatan berdasarkan citra iris mata untuk deteksi kolesterol memiliki dampak yang signifikan dalam upaya pencegahan penyakit kardiovaskular. Identifikasi dini melalui citra iris mata memungkinkan tindakan preventif yang cepat, membantu meningkatkan kualitas hidup dan mengurangi risiko terjadinya penyakit jantung.

Meskipun implementasi ini menunjukkan kemajuan yang signifikan, tetap ada tantangan yang perlu diatasi. Pengembangan model yang lebih kompleks dan lebih luas serta penanganan citra yang lebih besar akan menjadi fokus masa depan. Integrasi dengan teknologi lain, seperti analisis big data dan keamanan data, juga menjadi aspek penting dalam pengembangan selanjutnya.

Penerapan kecerdasan buatan berdasarkan citra iris mata untuk deteksi kolesterol menunjukkan bahwa teknologi ini dapat menjadi alat yang sangat efektif dalam mendukung kesehatan jantung. Dengan menggunakan karakteristik unik dari setiap iris mata, kita dapat mengidentifikasi potensi masalah kesehatan, khususnya terkait tingginya kadar kolesterol. Melalui integrasi teknologi canggih dan metode deteksi yang inovatif, harapan untuk memperkuat peran AI dalam dunia kesehatan menjadi semakin nyata. Hal ini menciptakan peluang besar untuk pengembangan sistem diagnostik yang lebih akurat dan efisien, membawa kita ke arah perawatan kesehatan yang lebih personal dan preventif.