Upload
others
View
7
Download
2
Embed Size (px)
Citation preview
i
CLUSTERING FITUR DIABETIC RETINOPATHY
MENGGUNAKAN FUZZY K-MEANS
SKRIPSI
Oleh:
FARIZ YUSTRIANDY
07650013
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN)
MAULANA MALIK IBRAHIM MALANG
2013
ii
CLUSTERING FITUR DIABETIC RETINOPATHY
MENGGUNAKAN FUZZY K-MEANS
SKRIPSI
Diajukan kepada:
Fakultas Sains dan Teknologi
Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang
Untuk Memenuhi Salah Satu Persyaratan
Guna Memperoleh Gelar Strata Satu Sarjana Teknik Informatika (S.Kom)
Oleh :
FARIZ YUSTRIANDY
07650013
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN) MAULANA MALIK IBRAHIM
MALANG
2013
iii
LEMBAR PERSETUJUAN
CLUSTERING FITUR DIABETIC RETINOPATHY
MENGGUNAKAN FUZZY K-MEANS
SKRIPSI
Oleh :
Nama : Fariz Yustriandy
NIM : 07650013
Jurusan : Teknik Informatika
Fakultas : Sains dan Teknologi
Telah Disetujui, 31 Oktober 2013
Dosen Pembimbing I Dosen Pembimbing II
Dr. M. Faisal, M.T M. Imammudin ,Lc, M.A
NIP. 19740510 200501 1 007 NIP. 19740602 200901 1 010
Mengetahui,
Ketua Jurusan Teknik Informatika
Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulanan Malik Ibrahim Malang
Dr. Cahyo Crysdian
NIP. 19740424 200901 1 008
iv
LEMBAR PENGESAHAN
CLUSTERING FITUR DIABETIC RETINOPATHY
MENGGUNAKAN FUZZY K-MEANS
SKRIPSI
Oleh
Fariz Yustriandy
NIM. (07650013)
Telah Dipertahankan di Depan Dewan Penguji Tugas akhir dan
Dinyatakan Diterima Sebagai Salah Satu Persyaratan Untuk
Memperoleh Gelar Sarjana Komputer (S.Kom)
Tanggal, 21 November 2013
Susunan Dewan Penguji Tanda Tangan
1. Penguji Utama : Dr. Cahyo Crysdian ( )
NIP. 19740424 200901 1 008
2. Ketua : Zainal Abidin, M.Kom ( )
NIP. 19760613 200501 1 004
3. Sekretaris : Dr. Muhammad. Faisal, M.T ( )
NIP. 19740510 200501 1 007
4. Anggota : M. Imammudin ,Lc, M.A ( )
NIP. 19740602 200901 1 010
Mengetahui dan Mengesahkan,
Ketua JurusanTeknik Informatika
Dr. Cahyo Crysdian
NIP. 19740424 200901 1 008
v
ORISINALITAS PENELITIAN
Saya yang bertanda tangan di bawah ini:
Nama : Fariz Yustriandy
NIM : 07650013
Fakultas / Jurusan : Sains dan Teknologi / Teknik Informatika
Judul Penelitian : CLUSTERING FITUR DIABETIC RETINOPATHY
MENGGUNAKAN FUZZY K-MEANS
Menyatakan dengan sebenar-benarnya bahwa hasil penelitian saya ini tidak
terdapat unsur-unsur penjiplakan karya penelitian atau karya ilmiah yang pernah
dilakukan atau dibuat oleh orang lain, kecuali yang secara tertulis dikutip dalam
naskah ini dan disebutkan dalam sumber kutipan dan daftar pustaka.
Apabila ternyata hasil penelitian ini terbukti terdapat unsur-unsur penjiplakan,
maka saya bersedia untuk mempertanggung jawabkan, serta diproses sesuai peraturan
yang berlaku.
Malang, 21 November 2013
Yang Membuat Pernyataan,
Fariz Yustriandy
NIM. 07650013
vi
MOTTO
vii
PERSEMBAHAN
Dengan mengucap puji dan syukur kepada Allah, kupersembahkan sebuah
karya kecilku untuk orang-orang yang kusayangi:
Bapak dan Ibu (Yusuf Ismail Nakhoda & Tri Tabiyaningsih) tercinta, yang
telah memberikan segalanya, kasih sayang, perhatian, motifasi, nasihat, dan
semuanya yang tidak dapat disebutkan satu persatu.
Adik-adikku (Anshar Affandy dan Nadia Savitri) tersayang serta seluruh
keluarga besarku. Kepada Fina Farida terimakasih atas semangat yang
diberikan sehingga penulis dapat menyelesaikan tugas akhir ini.
Terimakasih kepada sahabat-sahabat perjuanganku Agung, Fazri, Sugeng,
Totok, Heri, Azhar, dan teman-teman Teknik Informatika angkatan 2007
terimakasih atas kekompakannya selalu, serta teman-teman yang tidak bisa
disebutkan satu-persatu terimakasih atas dukungan dan motivasinya.
Terimakasih kepada admin jurusan TI, beserta seluruh pihak yang
membantu, dan menberi dukungan kepada penulis.
Tidak lupa terimakasih kepada sahabat-sahabat SMA Laboratorium UM
lulusan 2007 terutama Tony, Antok, dan Rochim yang selalu memberi
semangat serta motivasi tiada henti.
Semoga kita senantiasa menjadi hamba yang bersyukur, bermanfaat untuk
diri sendiri dan orang lain, diberkahi, serta dirahmati oleh Allah SWT ...
Amien...
viii
KATA PENGANTAR
Assalamu'alaikum Wr. Wb.
Alhamdulillah, segala puja dan puji syukur kami panjatkan kehadirat Allah
SWT yang Maha Pengasih lagi Maha Penyayang yang telah memberikan rahmat,
taufik, hidayah dan inayah-Nya kepada kita serta memberikan nikmat Islam dan Iman
serta tak lupa nikmat kesehatan yang diberikan kepada penulis khususnya sehingga
penulis dapat menyelesaikan karya ilmiah dengan judul “Clustering Fitur Diabetic
Retinopathy Menggunakan Fuzzy K-Means”. Penelitian ini dimaksudkan untuk
memenuhi salah satu syarat dalam meraih gelar Sarjana Komputer (S.Kom) di
Fakultas Sains dan Teknologi Jurusan Teknik Informatika Universitas Islam Negeri
(UIN) Maulana Malik Ibrahim Malang.
Penulis menyadari bahwa banyak pihak yang telah membantu dalam
menyelesaikan penulisan tugas akhir ini. Untuk itu, iringan doa dan ucapan terima
kasih yang sebesar-besarnya penulis sampaikan kepada:
1. Bapak Dr. M. Faisal, MT selaku dosen pembimbing I yang telah meluangkan
waktu untuk membimbing, memotivasi, mengarahkan, serta memberikan saran,
kemudahan dan kepercayaan kepada penulis dalam menyelesaian skripsi.
2. Bapak M. Imammudin, Lc, MA selaku dosen pembimbing II yang telah
membimbing, memotivasi, mengarahkan, memberi kemudahan, dan
melancarkan proses penyelesaian skripsi.
3. Seluruh Dosen Jurusan Teknik Informatika Fakultas Sains dan Teknologi
Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang yang telah
mengalirkan ilmu, pengetahuan, pengalaman, dan wawasan, sebagai pedoman
dan bekal bagi penulis.
4. Program Messidor selaku mitra program riset diabetic retinopathy yang telah
memberikan kontribusi berupa penyediaan data penelitiaan yang penulis ambil
dari database Messidor dengan alamat http://messidor.crihan.fr.
5. Dan semua pihak yang tidak dapat penulis sebutkan satu-persatu. Penulis
ucapkan terimakasih atas bantuan dan motivasinya.
ix
Akhirnya atas segala kekurangan dari penyusunan skripsi ini, sangat diharapkan
kritik dan saran yang bersifat konstruktif dari semua pembaca demi memperbaiki
kualitas penulisan selanjutnya. Semoga apa yang telah tertulis di dalam skripsi ini
dapat memberikan kontribusi yang bermanfaat dan menambah khasanah ilmu
pengetahuan. Amien...
Wassalamu'alaikum Wr. Wb.
Malang, 21 November 2013
Penulis
x
DAFTAR ISI
HALAMAN JUDUL ........................................................................................... i
HALAMAN PENGAJUAN ................................................................................ ii
HALAMAN PERSETUJUAN ........................................................................... iii
LEMBAR PENGESAHAN ................................................................................ iv
ORISINALITAS PENELITIAN ........................................................................ v
MOTTO ............................................................................................................... vi
HALAMAN PERSEMBAHAN ......................................................................... vii
KATA PENGANTAR ......................................................................................... viii
DAFTAR ISI ........................................................................................................ x
DAFTAR GAMBAR ........................................................................................... xiii
DAFTAR TABEL ............................................................................................... xv
ABSTRAK ........................................................................................................... xvi
ABSTRACT .........................................................................................................xvii
BAB I PENDAHULUAN
1.1 Latar Belakang ................................................................................................. 1
1.2 Rumusan Masalah ............................................................................................ 7
1.3 Batasan Masalah ............................................................................................... 7
1.4 Tujuan Penelitian ............................................................................................. 8
1.5 Manfaat Penelitian ........................................................................................... 8
1.6 Metode Penelitian ............................................................................................. 8
1.7 Sistematika Penulisan ...................................................................................... 9
BAB II TINJAUAN PUSTAKA
2.1 Penelitian yang Telah Dilakukan ..................................................................... 11
2.2 Pengenalan Mata .............................................................................................. 14
2.3 Anatomi Mata ................................................................................................... 14
2.4 Pengantar Diabetes ........................................................................................... 18
2.5 Diabetic Retinopathy ........................................................................................ 19
2.6 Pengolahan Citra .............................................................................................. 23
xi
2.7 Operasi Pengolahan Citra ................................................................................. 24
2.8 Lingkungan Kerja Matlab ................................................................................ 27
2.8.1 Beberapa Bagian dari Window Matlab .................................................. 27
2.8.1.1 Getting Help .............................................................................. 28
2.8.1.2 Interpting dan Terminating dalam Matlab.................................. 28
2.8.2 Variabel pada Matlab ............................................................................. 28
2.8.2.1 Matriks ....................................................................................... 29
2.8.3 Operator ................................................................................................. 30
2.8.4 Fungsi Matematika Lainnya .................................................................. 30
2.8.5 M-File .................................................................................................... 31
2.9 Algoritma Fuzzy K-Means ............................................................................... 31
2.10 Pentingnya Mendeteksi Awal Suatu Penyakit dalam Islam ........................... 36
2.10.1 Pandangan Islam pada Penyakit ........................................................... 36
2.10.2 Pengobatan Penyakit pada Islam ......................................................... 37
BAB III METODE PENELITIAN
3.1 Lingkungan Perancangan Perangkat Keras ...................................................... 39
3.2 Lingkungan Perancangan Perangkat Lunak ..................................................... 39
3.3 Desain Sistem ................................................................................................... 40
3.3.1 Desain Data Sistem ................................................................................ 40
1. Data Masukan .................................................................................... 41
2. Data Proses ........................................................................................ 41
3. Data Keluaran `................................................................................... 41
3.3.2 Desain Proses Sistem ............................................................................. 42
1. Input Citra .......................................................................................... 43
2. Proses Pre-processing ........................................................................ 44
3. Proses Segmentasi ............................................................................. 48
4. Extraksi Fitur ..................................................................................... 53
5. Clustering Fitur Diabetic Retinopathy ............................................... 55
3.4.3 Perancangan Antar Muka ....................................................................... 56
xii
BAB IV HASIL DAN PEMBAHASAN
4.1 Lingkungan Implementasi ................................................................................ 58
4.2 Penjelasan Program .......................................................................................... 59
4.2.1 Proses Menampilan Halaman Utama ..................................................... 59
4.2.2 Proses Input Citra ................................................................................... 60
4.2.3 Proses Pre-processing ............................................................................ 62
4.2.4 Proses Segmentasi .................................................................................. 63
4.2.5 Proses Extraksi Fitur .............................................................................. 64
4.2.6 Proses Clustering Fitur Diabetic Retinopathy ........................................ 66
4.2.7 Proses Tampilan Hasil Citra .................................................................. 68
4.2.8 Fungsi Pendukung .................................................................................. 69
4.3 Uji Coba ........................................................................................................... 73
BAB V PENUTUP
5.1 Kesimpulan ...................................................................................................... 78
5.2 Saran ................................................................................................................. 78
DAFTAR PUSTAKA ........................................................................................... 79
xiii
DAFTAR GAMBAR
Gambar 1.1 (a) Struktur mata. (b) Foto digital fundus retina normal .................... 1
Gambar 1.2 Bentuk fundus tidak normal akibat terinfeksi diabetic retinopathy,
microneurisym & haemorrhages ........................................................ 2
Gambar 2.1 Anatomi mata ..................................................................................... 15
Gambar 2.2 Alat funduscopi Topcon TRC NW 6 non-mydriatic retinograph ...... 19
Gambar 2.3 Haemorrhage pada pendetita diabetic retinopathy ............................. 21
Gambar 2.4 Soft exudate pada penderita diabetic retinopathy .............................. 22
Gambar 2.5 Hard exudate pada penderita diabetic retinopathy ............................. 22
Gambar 2.6 Retina yang terkena cotton wool ........................................................ 23
Gambar 2.7 Tampilan Matlab versi 7.0 ................................................................. 27
Gambar 2.8 Contoh gambar M-File ....................................................................... 31
Gambar 2.9 Ilustrasi algoritma fuzzy K-Means ..................................................... 35
Gambar 3.1 Diagram proses desain sistem clustering penyakit diabetic retinopathy
dengan menggunakan metode fuzzy K-Means .................................. 42
Gambar 3.2 Citra digital fundus mata berwarna .................................................... 43
Gambar 3.3 Contoh proses RGB menjadi HSI ...................................................... 45
Gambar 3.4 Diagram deteksi blood vessels ........................................................... 47
Gambar 3.5 Contoh proses operasi closing ............................................................ 49
Gambar 3.6 Contoh proses operasi closing pada fundus mata ............................... 49
Gambar 3.7 Diagram deteksi optic disk ................................................................. 50
Gambar 3.8 Contoh proses deteksi optic disk pada fundus mata ........................... 50
Gambar 3.9 Diagram deteksi exudates ................................................................... 51
Gambar 3.10 Cotoh proses fillter colfilt pada fundus mata ................................... 51
Gambar 3.11 Diagram deteksi microaneurysms .................................................... 52
Gambar 3.12 Contoh proses deteksi microaneurysms pada fundus mata .............. 53
Gambar 3.13 Rancangan antarmuka aplikasi ......................................................... 57
Gambar 4.1 Tampilan form halaman utama .......................................................... 59
Gambar 4.2 Proses input citra ................................................................................ 60
Gambar 4.3 Sebaran nilai blood vessels ................................................................ 64
xiv
Gambar 4.4 Sebaran nilai exudates ........................................................................ 65
Gambar 4.5 Sebaran nilai microaneurysms ........................................................... 65
Gambar 4.6 Tampilan hasil pada form utama ........................................................ 68
xv
DAFTAR TABEL
Tabel 2.1 Operator aritmatika dua operand ............................................................ 30
Tabel 3.1 Ekstraksi fitur pada data training ........................................................... 54
Tabel 4.1 Lingkungan uji coba .............................................................................. 58
Tabel 4.2 Range fitur blood vessels ....................................................................... 64
Tabel 4.3 Range fitur exudates................................................................................ 65
Tabel 4.4 Range fitur microaneurysms ................................................................... 65
Tabel 4.5 Hasil deteksi diabetic retinopathy pada data training ............................ 73
Tabel 4.6 Hasil deteksi diabetic retinopathy pada data testing .............................. 76
xvi
ABSTRAK
Yustriandy, Fariz. 2013. Clustering Fitur Diabetic Retinopathy Menggunakan Fuzzy
K-Means. Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas
Islam Negeri (UIN) Maulana Malik Ibrahim Malang.
Pembimbing: (I) Dr. M. Faisal, MT (II) M. Imamudin, Lc. MA
Kata kunci: clustering, diabetic retinopathy, fuzzy K-Means
Diabetes mellitus adalah istilah kedokteran untuk sebutan penyakit yang dikenal
dengan penyakit gula. Penyakit ini diketahui dapat menimbulkan berbagai komplikasi
pada mata dan yang paling sering adalah diabetic retinopathy. Gejala yang dapat
ditemui oleh orang yang terkena penyakit ini adalah kesulitan dalam membaca,
penglihatan kabur, penglihatan tiba-tiba menurun pada satu mata, melihat lingkaran-
lingkaran cahaya, melihat bintik gelap, dan cahaya berkedip. Hal ini terjadi karena
ada rembesan darah yang mengenai lensa mata.
Penelitian dilakukan untuk membuat suatu aplikasi yang dapat menampilkan hasil
identifikasi diabetic retinopathy sesuai dengan tingkat stadiumnya yaitu normal dan
Non-Proliferate Diabetic Retinopathy (NPDR). Proses identifikasi dari diabetic
retinopathy, meliputi empat tahap utama yaitu pre-processing, segmentasi, ekstraksi
fitur, dan clustering.
Pada penelitihan ini proses pre-processing meliputi mengubah citra RGB menjadi
HSI serta meningkatan contrast. Sedangkan pada proses segmentasi meliputi
menghilangkan pembuluh darah, menghilangkan optic disk, deteksi exudates serta
deteksi microaneursym. Kemudian pengambilan nilai ekstraksi fitur dengan
menghitung area dari masing-masing objek, dan langkah terakhir yaitu proses
klasifikasi menggunakan metode fuzzy K-Means sehingga diabetic retinopathy dapat
dideteksi.
Aplikasi dapat mendeteksi diabetic retinopathy berdasarkan stadiumnya yaitu
Normal, Mild NPDR, Moderate NPDR, dan Severe NPDR dalam citra fundus yang
diujikan dengan persentase keberhasilan sebesar 97,69 % dari seluruh citra.
xvii
ABSTRACT
Yustriandy, Fariz. 2013. Clustering Features of Diabetic Retinopathy Using Fuzzy K-
Means. Department of Informatics, Faculty of Science and Technology, State Islamic
University (UIN) Maulana Malik Ibrahim Malang.
Preceptor: (I) Dr. M. Faisal, MT (II) M. Imamudin, Lc. MA
Keywords: clustering, diabetic retinopathy, fuzzy K-Means
Diabetes mellitus is a medical term for the disease known designations with diabetes.
This disease is known to cause various complications in the eyes, and the most
common is diabetic retinopathy. Symptoms that can be encountered by people
affected by this disease are difficulty in reading, blurred vision, sudden decreased
vision in one eye, seeing halos, seeing dark spots, and flashes of light. This happens
because there is seepage of blood on the lens of the eye.
The study was conducted to create an application that can display the result of the
identification of diabetic retinopathy in accordance with the level stage is normal and
Non-Proliferate Diabetic Retinopathy (NPDR). The process of identification of
diabetic retinopathy, includes four main phases, namely pre-processing,
segmentation, feature extraction, and clustering.
In these researches pre-processing process includes changing the RGB image into
HSI and increase contrast. While the segmentation process includes eliminating
blood vessels, eliminating the optic disc, as well as detection of exudates detection
microaneursym. Then taking the value of feature extraction by calculating the area of
each object, and the last step is the classification process using fuzzy K-Means that
diabetic retinopathy can be detected.
Applications can detect diabetic retinopathy based on the stage that is Normal, Mild
NPDR, Moderate NPDR, and Severe NPDR tested in a fundus image with a success
percentage of 97.69% of the entire image.
BAB I
PENDAHULUAN
1.1 Latar Belakang
Selama ini orang awam mengenal tersumbatnya pembuluh darah hanya
terjadi pada pembuluh darah di otak (stroke). Padahal kondisi ini bisa juga terjadi
pada pembuluh darah mata. Salah satu penyebab penyumbatan pembuluh darah
mata adalah penyakit diabetes mellitus atau biasa dikenal sebagai penyakit
diabetic retinopathy.
Fundus adalah permukaan dalam mata, yang terletak bertentangan dengan
lensa. Boleh dilihat dengan menggunakan “oftalmoskop.Px” fundus disebut
oftalmoskopi/funduskopi. Terdiri dari retina, makula, fovea, blind spot/optic disc
dan posterior pole (retina yang terletak antara macula dan optic disc). Gambar di
bawah ini menunjukkan bentuk visual mata normal dengan pembuluh darah mata
(retinal vasculature) dan pembuluh darah kecil yang sempurna.
Gambar 1.1 (a) Struktur mata. (b) Foto digital fundus retina normal
1
2
Gambar 1.2 Bentuk fundus tidak normal akibat terinfeksi
diabetic retinopathy, microneurisym & haemorrhages
Keterangan pada gambar 1.2 menunjukan adanya kerusakan pembuluh
darah mata kecil yang terindikasi sebagai penyakit diabetic retinopathy pada
golongan haemorrhage.
Salah satu tanda awal adanya diabetic retinopathy adalah munculnya
microneurysm. Microneurysm muncul karena melemahnya dinding terkecil dari
vessel. Luka yang terjadi pada vessel menyebabkan terbentuknya exudates yaitu
suatu titik yang terlihat berwarna kekuning-kuningan disekitar retina. Gejala yang
dapat ditemui dapat berupa: kesulitan membaca, penglihatan kabur, penglihatan
tiba-tiba menurun pada satu mata, melihat lingkaran-lingkaran cahaya, melihat
bintik gelap, dan cahaya berkedip (Iqbal dkk, 2006). Gejala ini terjadi karena ada
rembesan darah retina yang mengenai lensa mata.
Diabetic Retinopathy digolongkan menjadi tiga jenis: yaitu Background
Diabetic Retinopathy (BDR), Proliferate Diabetic Retinopathy (PDR) dan Severe
Diabetic Retinopathy (SDR). Tahap Background Diabetic Retinopathy arteri di
retina melemah dan mengalami kebocoran kecil, seperti titik haemorrhages.
3
Bocornya vessel mendorong terjadinya pembengkakan atau eudema retina dan
mengurangi ketajaman penglihatan. Tahap Proliferate Diabetic Retinopathy,
adanya masalah sirkulasi peredaran kekurangan oksigen atau ischemic. Vessels
membesar untuk menjaga peredaran oksigen di retina. Peristiwa ini disebut
neovascularisation dan selanjutnya akan terlihat exudates mulai soft exudates
sampai hard exudates. Tahap Severe Diabetic Retinopathy berlanjutnya
pertumbuhan vessel secara abnormal sehinggal menyebabkan permasalahan serius
seperti retina detachment, glaukoma dan penglihatan berangsur-angsur menjadi
buram. Pada tahapan inilah mulai terlihat bercak-bercak putih pada mata yaitu
cotton wool (Iqbal dkk, 2006).
Perkembangan teknologi image processing hingga saat ini terus diperluas
dengan tujuan untuk membantu manusia dalam melakukan pekerjaannya. Image
processing itu sendiri merupakan salah satu jenis teknologi untuk menyelesaikan
masalah mengenai pemprosesan gambar. Dalam image processing gambar yang
ada diolah sedemikian rupa sehingga gambar tersebut lebih mudah untuk diproses
(Usman, 2005:4).
Diabetic Retinopathy adalah kelainan retina (retinopathy) yang ditemukan
pada penderita diabetes militus. Retinopathy akibat dari diabetes militus lama
berupa aneurismata, melebarnya vena, pendarahan, dan eksudat lemak. Beberapa
faktor yang memicu penyakit ini diantaranya adalah pola makan yang berlebihan
dan melebihi jumlah kalori yang dibutuhkan oleh tubuh sehingga dapat memacu
timbulnya diabetes militus. Selain itu konsumsi makan yang berlebihan dan tidak
diimbangi dengan sekresi insulin dalam jumlah yang memadai dapat
4
menyebabkan kadar gula dalam darah meningkat. Sebenarnya Allah telah
memperingatkan hambanya agar makan dan minum tidak berlebihan sebagaimana
firman Allah SWT dalam Al-Qur’an pada surat Al-A’af yang berbunyi:
Artinya: ”Makan serta minumlah, dan janganlah berlebih-lebihan. Sesuggungnya
Allah tidak menyukai orang-orang yang berlebih-lebihan.” (Q.S Al-A’af 7:31)
Penggalan akhir ayat ini merupakan salah satu prinsip yang diletakkan
agama menyangkut kesehatan dan diakui pula oleh para ilmuan terlepas apapun
pandangan hidup atau pandangan agama mereka.
Perintah makan dan minum tidak berlebihan, ialah tidak melampaui batas
serta merupakan tuntunan yang harus disesuikan dengan kondisi setiap orang.
Atas dasar itu, penggalan ayat ini mengajarkan sikap proporsional dan makan dan
minum. Dalam konteks berlebihan ditemukan pesan dari Nabi Muhammad SAW
yang berbunyi:
Artinya: “Tidak ada wadah yang dipenuhkan dengan manusia yang lebih buruk
dari perut. Cukuplah bagi putra-putri Adam beberapa suap yang dapat
menegakkan tubuhnya. Kalaupun harus (memenuhkan perut), maka hendaklah
sepertiga untuk makannya, sepertiga untuk minumnya, dan sepertiga untuk
pernafasannya (HR. Al-Tarmizi, Ibn Majah dan Ibn Hibban melalui Miqdam Ibn
Ma’dikarib).” (M. Quraish Shihab, 2003:72)
5
Dan diayat yang lain Allah SWT menegaskan dalam Al-Qur’an surat Al-
Maidah yang berbunyi:
Artinya: “Barang siapa yang memelihara kehidupan seorang manusia, maka
seolah-olah Dia telah memelihara kehidupan manusia semuanya, dan
sesunggungnya telah datang kepada mereka Rasul-rasul Kami dengan
(membawa) keterangan-keterangan yang jelas, kemudian banyak diantara
Mereka sesudah itu sungguh-sungguh melampaui batas dalam berbuat kerusakan
dimuka bumi.” (QS. Al-Maidah 5:32)
Dan barang siapa yang memelihara kehidupan manusia, misalnya dengan
menyelamatkan nyawa seseorang dari penyakit atau dari suatu bencana, atau
membela seseorang yang dapat terbunuh dengan dianiaya maka seolah-olah dia
telah memelihara kehidupan manusia semuanya. Dan sesunggungnya telah
datang kepada mereka para Rasul Kami dengan membawa keterangan-
keterangan yang jelas, yang membuktikan kebenaran para Rasul itu dan
kebenaran petunjuk-petunjuk itu. Namun demikian, kemudian sesungguhnya
banyak diantara mereka sesudah itu sungguh-sungguh telah membudaya pada
dirinya sikap dan prilaku melampau batas dalam berbuat kerusakan di muka
bumi.
Thabathaba’I menguraikan persamaan itu antara lain dengan menyatakan
bahwa setiap manusia menyandang dalam dirinya nilai kemanusiaan, yang
merupakan nilai yang disandang oleh seluruh manusia. Seorang manusia bersama
manusia lain adalah perantara lahirnya manusia-manusia lain bahkan seluruh
6
manusia. Manusia diharapkan hidup untuk waktu yang telah ditetapkan Allah,
yaitu untuk melanjutkan jenis manusia seluruhnya. Membunuh seseorang yang
berfungsi seperti yang dijelaskan di atas adalah bagaikan membunuh seluruh
manusia, yang keberadaannya ditetapkan Allah demi kelangsungan hidup jenis
manusia (Moh Quraish Shihab, 2001:187).
Menghidupkan di sini bukan saja berarti “memelihara kehidupan”, tetapi
juga dapat mencakup upaya memperpanjang harapan hidup dengan cara apapun
selama tidak melanggar hukum. Demikian contoh bagaimana ayat Al-Qur’an
dipahami dalam konteks peristiwa paling mutakhir dalam bidang kesehatan (Moh
Quraish Shihab, 2001:187).
Dengan demikian diperlukan penerapan sistem komputerisasi untuk
mengelola, suatu sistem pada ilmu kedokteran sebagai sebuah solusi untuk
mengaplikasikan ayat Al-Qur’an yang telah dijelaskan dalam menyelamatkan
manusia dari bahaya penyakit. Selain itu, penerapan program ini bertujuan agar
dapat mengenali gejala penyakit mata sejak dini dengan sistem berbasis cerdas
serta memberikan data informasi secara lengkap menggunakan model visualisasi
yang akan memberikan kemudahan bagai pengguna dalam mengoperasikan
program tersebut. Penerapan aplikasi ini sangat bermanfaat bagi mengelolah data
pasien dengan klasifikasi penyakit yang diderita.
Algoritma K-Means adalah Metode clustering non-hierarchical berbasis
jarak yang membagi data kedalam cluster dan algoritma ini bekerja pada atribut
numerik. Clustering adalah mengempokkan data dengan karakteristik yang sama
ke suatu ‘wilayah’ yang sama dan data dengan karakteristik yang berbeda ke
7
‘wilayah’ yang lain. Non-hierarchical atau biasa disebut partition-based adalah
mengelompokan data dengan memilah-milah data yang dianalisa ke dalam
cluster-cluster yang ada.
Metode fuzzy K-Means pertama kali diperkenalkan oleh Jim Bezdek pada
tahun 1981. Fuzzy K-Means adalah suatu teknik pengelompokan objek yang mana
keberadaan tiap-tiap objek dalam suatu cluster ditentukan oleh nilai keanggotaan.
Metode ini merupakan pengembangan dari metode partisi yang dikenal dengan K-
Means. Kelebihan dari metode Fuzzy K-Means adalah meminimalkan masalah
kegagalan konvergen yang terjadi pada metode K-Means.
Berangkat dari permasalahan di atas, maka peneliti memandang perlu untuk
melakukan penelitian dalam memecahkan permasalahan tersebut serta melakukan
pengkajian tentang masalah-masalah tersebut untuk kemudian dihadirkan suatu
bentuk solusi dari permasalahan yang terjadi. Hal inilah yang kemudian
mengilhami peneliti untuk mengadakan penelitian dengan judul “CLUSTERING
FITUR DIABETIC RETINOPATHY MENGGUNAKAN FUZZY K-MEANS”
1.2 Rumusan Masalah
Dari latar belakang yang telah diungkapkan, maka dapat dirumuskan
permasalahan sebagai berikut:
1. Bagaimana mengklasifikasi penyakit diabetic retinopathy sesuai dengan
tingkat stadiumnya?
1.3 Batasan Masalah
Agar penelitian lebih sistematis dan terarah, ditentukan batasan masalah
sebagai berikut:
8
1. Citra yang digunakan adalah citra fundus mata.
2. Proses pendeteksian diimplementasikan dengan MATLAB.
3. Penyakit mata yang diidentifikasi adalah diabetic retinopathy
4. Format citra yang digunakan berupa format TIFF
1.4 Tujuan Penelitian
Penelitian ini bertujuan untuk menampilkan klasifikasi grade diabetic
retinopathy.
1.5 Manfaat Penelitian
1. Memberikan kontribusi bagi perkembangan pengolahan citra digital medis
khususnya klasifikasi citra fundus pada diabetic retinopathy.
2. Membantu ahli ophthalmologist dalam pengelompokan fitur citra fundus
sesuai dengan jenis kerusakan pada diabetic retinopathy.
1.6 Metode Penelitian
1. Studi Literatur
Pada tahap ini dilakukan pencarian dan pemahaman literature yang
berhubungan dengan permasalahan perbaikan citra, segmentasi,
pengkodean, pengenalan pola, dan diabetic retinopathy. Literatur yang
digunakan meliputi buku referensi, buku tugas akhir mahasiswa jurusan
teknik informatika dan paper IEEE serta dokumentasi internet.
2. Perumusan Masalah dan Penyelesaiannya
Tahap ini meliputi perumusan masalah, batasan-batasan masalah dan
penyelesaiannya serta penentuan parameter untuk mengukur hasilnya.
9
3. Perancangan dan Desain Sistem
Pada tahap ini dilakukan perancangan perangkat lunak untuk menerapkan
permasalahan dan penyelesaiannya pada tahap sebelumnya.
4. Pembuatan Perangkat Lunak
Pada tahap ini dilakukan pembuatan perangkat lunak sesuai dengan
perancangan perangkat lunak yang telah dilakukan.
5. Uji Coba dan Evaluasi Hasil
Tahap ini meliputi uji coba terhadap algoritma yang diterapkan pada
diabetic retinopathy. Dalam hal ini juga dilakukan evaluasi dari setiap
percobaan. Proses uji coba ini diperlukan untuk memastikan sistem yang
telah dibuat sudah benar, sesuai dengan tujuan yang hendak dicapai.
6. Penyusunan Buku Tugas Akhir
Pada tahap ini dilakukan penulisan buku tugas akhir yang merupakan
dokumentasi dari konsep atau teori penunjang, perancangan dan desain
sistem, pembuatan perangkat lunak, dokumentasi dari uji coba dan analisis,
serta kesimpulan dan saran.
1.7 Sistematika Penulisan
Untuk memberikan gambaran dan kerangka yang jelas mengenai pokok
bahasan dalam setiap bab dalam penelitian ini maka diperlukan sistematika
pembahasan. Berikut gambaran sistematika pembahasan pada masing-masing bab:
BAB I PENDAHULAN
Bab ini berisi latar belakang, perumusan masalah, tujuan, batasan
masalah dan metodologi penelitian tugas akhir ini.
10
BAB II TINJAUAN PUSTAKA
Bab ini menjelaskan konsep dan teori dasar yang mendukung penulisan
tugas akhir ini.
BAB III ANALISIS DAN PERANCANGAN APLIKASI
Bab ini menjelaskan mengenai analisis dan perancangan aplikasi
clustering fitur diabetic retinophaty menggunakan fuzzy K-Means.
BAB IV HASIL DAN PEMBAHASAN
Meliputi hasil yang dicapai dari perancangan sistem dan implementasi
program sehingga dapat ditarik suatu kesimpulan.
BAB V PENUTUP
Berisi kesimpulan dan saran berdasarkan hasil yang telah dicapai
sehingga dapat digunakan sebagai bahan pertimbangan bagi pihak-
pihak yang berkepentingan serta kemungkinan pengembangannya.
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian yang Telah Dilakukan
(Viranee Thongnuch dkk, 2006) dalam penelitiannya menggunakan
transformasi Hough lingkar untuk mendeteksi optic disk pada citra fundus dengan
kontras rendah. Penelitian ini berhasil mendeteksi optic disk dengan akurasi
81,7% dibandingkan dengan deteksi manual oleh ahli mata. Pada penelitian kedua
(Viranee Thongnuch dkk, 2007) diaplikasikan metode yang lain untuk kasus yang
sama. Pre-processing dilakukan dengan penyamaan histogram dan penghilangan
pembuluh darah menggunakan operasi morfologi closing. Lokalisasi optic disk
dengan mengoptimalkan operasi mathematical morfologi dan connected labelling.
Dari penelitian ini dihasilkan akurasi 87,0%.
(Thomas Walter dkk, 2001) mendeteksi optic disk dengan memperkirakan
posisinya, kemudian mendapatkan kontur pastinya dengan transformasi watershed.
(Akara Sopharak dkk, 2008) dalam penelitiannya tentang exudate
mengaplikasikan filter median pada kanal I dari citra HSI. Selanjutnya
mengaplikasikan Contrast-limited Adaptive Histogram Equalization (CLAHE)
sebelum Thresholding Otsu, kemudian menghilangkan optic disk.
Dalam penelitian (Akara Sopharak dkk, 2008) diterapkan pre-processing
pada citra HSI. Optic disk berbeda dengan fitur lain dari retina karena teksturnya
yang halus. Untuk membedakannya dihitung entopi dari fungsi massa probabilitas
intensitas piksel-piksel pada area lokal dari citra. Di sekitar piksel dengan tekstur
yang kompleks entropinya tinggi, sedangkan untuk tekstur yang halus entropinya
11
12
rendah. Selanjutnya dipilih komponen terkoneksi yang paling luas dan berbentuk
lingkaran.
Sementara itu (Philip King, 2004) menerapkan pengklasteran fuzzy untuk
mendapatkan kontur awal optic disk, kemudian mendapatkan kontur final dari
optic disk menggunakan active contour.
(David, 2008) mendapatkan kandidat optic disk dengan penapisan
menggunakan filter median kemudian operasi morfologi closing dikuti opening
untuk menghilangkan pembuluh darah.
Kemudian untuk mempertegas tampilan pembuluh darah, memperbaiki
kontras gambar dilakukan dengan cara Contrast-Limited Adaptive Histogram
Equlization (CLAHE). Teknik ini bekerja dengan baik dalam bagian-bagian kecil
pada gambar. Setiap bagian kecil kontras ditingkatkan dengan menggunakan
pemetaan histogram (Muhammad Faisal, 2012).
(Gagnon dkk, 2001) mendapatkan area global optic disk dengan analisis
multi-scale menggunakan transformasi Haar-wavelet. Bagian paling terang dari
citra diasumsikan sebagai bagian dari optic disk. Area global digunakan sebagai
awal untuk pendeteksian yang lebih akurat dengan matching menggunakan
pengukuran jarak Hausdorff pada citra biner setelah deteksi tepi ‘Canny’.
(Jelinek dkk) menerapkan pengurangan warna pada kanal merah
menggunakan interpolasi bilinier. Selanjutnya citra dinormalisasi menggunakan
filter lolos atas Butterworth orde 0,5 dan lebar D0 = 10. Proses ini berlangsung
dalam domain Fourier. Filter deviasi standar intensitas lokal digunakan untuk
menentukan letak optic disk sebagai area dengan variasi terbanyak. Filter ini
13
mendefinisikan ketetanggaan di sekitar piksel dan menghitung deviasi standar
ketetanggaan tersebut untuk menentukan nilai piksel output. Berikutnya
menghilangkan pembuluh darah dengan operasi closing, dilanjutkan dengan
deteksi tepi ‘canny’ dengan nilai threshold rendah 0,4 dan nilai threshold tinggi
0,1 dan deviasi standar Gaussian 4. Operasi morfologi closing diterapkan untuk
menutup tepi optic disk yang terputus. Area optic disk diisi dengan operasi filling,
dan operasi morfologi opening menghapus semua area yang kurang dari 1200
piksel. Dilasi digunakan untuk menipiskan garis-garis yang tidak perlu dan
menyempitkannya ke garis tepi.
(Akara Sopharak dkk, 2008), terbatas melakukan penelitian tentang deteksi
otomatis exudates dengan metode klasifikasi Naive Bayes Classifier tanpa
meneliti tentang cotton wool.
Amr Ahmed Sabry Abdel‐Rahman Ghoneim (2007), terbatas juga
melakukan penelitian pada exudates menggunakan algoritma watershed dan
pemisahan antara exudates dan cotton wool juga belum dimunculkan.
Salah satu permasalahan utama sehingga terjadinya kesalahan-kesalahan
pendeteksian yang disebutkan dalam penelitian tersebut adalah terdapatnya
kesamaan pola antara cotton wool dan exudates dimana ada kesamaan pola dari
beberapa fitur lainnya, seperti suatu titik yang terlihat berwarna kekuning-
kuningan, dalam citra dalam format gray-level.
14
2.2 Pengenalan Mata
Allah SWT berfirman dalam Al-Qur’an pada surat Al-Insaan yang berbunyi:
Artinya: “Sesunggungnya Kami telah menciptakan manusia dari setetes mani
yang bercampur yang Kami hendak mengujinya (dengan perintah dan larangan),
karena itu Kami jadikan dia mendengar dan melihat”. (Qs. Al-Insaan/76:2)
Dari ayat di atas dapat disimpulkan bahwa Allah menciptakan manusia
beserta kemampuannya untuk melihat dan mendengar agar manusia senantiasa
bertaqwa kepada-Nya. Secara tersiat ayat tersebut menyebutkan bahwa Allah
menciptakan manusia lengkap dengan alat indra yang dimiliki (Yusuf, 2009).
Dalam ayat tersebut tertulis bahwa manusia memiliki kemampuan untuk
melihat, dimana indra yang digunakan manusia untuk melihat yaitu mata. Mata
adalah organ yang kompleks yang terdiri dari banyak bagian. Penglihatan yang
baik tergantung pada cara dimana bagian yang terdapat di dalam organ mata
saling berkerja sama. Sebelum memahami tentang diabetic retinopathy, terlebih
dahulu memahami tentang struktur mata dan bagaimana mata itu bekerja.
2.3 Anatomi Mata
Untuk mempermudah pemahaman mengenai mata, prinsip kerja mata dapat
diibaratkan seperti kamera. Seperti prinsip kerja kamera, lensa bertugas untuk
memfokuskan cahaya. Iris adalah bagian dari mata yang bertugas mengontrol
jumlah cahaya yang masuk ke mata. Cahaya yang masuk (gambar yang dilihat)
ditangkap oleh reseptor kemudian oleh saraf optik yang berfungsi seperti halnya
kabel, mengirimkan informasi dari reseptor kepada otak (Kyaw Thet, 2010).
15
Gambar 2.1 Anatomi mata
a. Sclera
Sclera adalah lapisan pelindung berwarna putih yang melapisi bola mata.
Sclera berfungsi untuk melindungi bola mata dari serangan apapun baik dari
sisi luar maupun sisi dalam mata.
b. Iris
Iris berfungsi untuk mengontrol tingkat cahaya di dalam mata. Iris mirip
dengan aperture pada kamera dengan pelebaran atau kontraksi. Pada saat
terang, iris akan menyempit untuk membatasi agar cahaya yang masuk ke mata
tidak terlalu banyak. Sebaliknya, jika pada saat gelap atau kurang cahaya maka
iris akan melebar.
c. Kornea
Kornea adalah bagian depan transparan dari mata yang munutupi iris dan
pupil. Bersama dengan lensa kornea membias cahaya dan sebagai hasilnya
membantu mata untuk fokus.
16
d. Lensa
Lensa mata memiliki bentuk yang transparan cembung ganda. Bersama
dengan kornea, lensa membantu mata membiaskan cahaya agar dapat
difokuskan ke retina. Tidak seperti kornea, kelengkungan lensa mata tidak
tetap dan bervariasi, tergantung dari jarak fokus objek.
e. Pupil
Pupil terletak di pusat dari iris dan bertugas mengontrol jumlah cahaya
yang masuk kedalam mata.
f. Aqueous Humor
Aqueous adalah cairan yang terletak di bagian depan mata antara kornea
dan lensa mata. Aqueous berfungsi untuk memberi bentuk dan kekukuhan pada
mata.
g. Vitreous Humor
Vitreous adalah gel bening yang mengisi ruang antara lensa mata dan
retina. Vitreous berfungsi untuk membantu menjaga retina dalam situasi apapun.
h. Koroid
Koroid terletak antara retina dan sclera. Koroid terdiri dari lapisan
pembuluh darah yang memberi nutrisi di bagian belakang mata dan memasok
darah ke retina.
i. Saraf Optik
Saraf optik berfungsi sebagai saraf yang bertugas untuk mentransmisikan
informasi visual dari retina kepada otak.
17
j. Makula
Makula terletak di tengah-tengah retina. Makula berbentuk kecil dan
menjadi bagian yang sangan sensitif dari retina. Makula bertanggung jawab
untuk merespon penglihatan secara detail.
k. Fovea (Bintik Kuning)
Fovea adalah bagian retina yang digunakan untuk melihat objek yang
ingin dilihat secara jelas visualnya paling besar pada fovea, bagian yang sangat
peka terhadap cahaya pada retina.
l. Bintik Buta
Bintik buta merupakan bagian retina yang tidak peka terhadap cahaya,
sehingga bayangan jika jatuh di bagian ini tidak jelas, sebaliknya pada retina
terdapat bintik kuning. Permukaan retina terdiri dari berjuta-juta sel sensitif,
ada yang berbentuk sel batang yang berfungsi membedakan kesan hitam/putih
dan yang berbentuk sel kerucut yang berfungsi membedakan kesan berwarna.
m. Retina
Retina berbentuk tipis dan sensitif terdapat ransangan cahaya. Retina
terletak di bagian belakang mata dan bertindak seperti film pada kamera.
Cahaya yang masuk ke mata harus benar-benar fokus ke retina dan permukaan
retina harus rata, halus, dan dalam keadaan baik agar menghasilkan gambar
yang jelas.
Dalam proyek ini penulis akan lebih memfokuskan penelitihan pada bagian
mata khususnya retina mata.
18
2.4 Pengantar Diabetes
Diabetes mellitus adalah istilah kedokteran untuk sebutan penyakit yang
dikenal dengan nama penyakit gula atau kencing manis. Istilah ini berasal dari
bahasa Yunani. Diabetes memiliki arti mengalir terus, sedangkan militus berarti
madu atau manis. Jadi, istilah ini menunjukkan tentang keadaan tubuh penderita,
yaitu adanya cairan manis yang mengalir terus.
Diabetes mellitus merupakan sekumpulan gejala yang timbul pada
seseorang yang ditandai dengan kadar glukosa darah berlebihan dari nilai normal
akibat tubuh kekurangan insulin. Penyakit tersebut bersifat kronis. Penderitanya
berasal dari semua lapisan umur serta tidak membedakan orang kaya ataupun
miskin. Penyakit diabetes mellitus yang sering juga disingkat dengan DM ini bisa
timbul secara mendadak pada anak-anak dan orang dewasa muda. Pada orang
yang telah berumur, penyakit ini sering muncul tanpa gejala dan kerap baru
diketahui bila orang tersebut melakukan pemeriksaan kesehatan rutin. Gejala yang
ditimbulkan adalah rasa haus, sering kencing, banyak makan tapi berat badan
menurun, gatal-gatal, dan badan terasa lemas.
Apabila penyakit ini dibiarkan tidak kendali atau penderita tidak menyadari
penyakitnya maka bertahun-tahun kemudian akan timbul berbagai komplikasi
kronis yang berakibat fatal. Beberapa komplikasi yang dapat terjadi pada
penderita diabetes mellitus, seperti penyakit jantung, terganggunya fungsi ginjal,
kebutaan, pembusukan kaki yang kadang memerlukan amputasi, atau timbulnya
impotensi yang sangat merisaukan (Dalimartha, 2007:3).
19
Diabetes dapat mengganggu fungsi normal dari banyak bagian tubuh,
termasuk pada mata. Diabetes bisa berpengaruh pada mata dengan berbagai
keluhan, mulai dari penglihatan kabur untuk sementara, sampai gejala yang lebih
parah seperti diabetic retinopathy. Diabetic retinopathy adalah kerusakan pada
lapisan terdalam bola mata pada bagian penerimaan rangsang cahaya atau pada
bagian retina mata. Diabetic retinopathy menjadi salah satu masalah utama yang
sering terjadi pada penderita diabetes (Bilous, 2003:72).
2.5 Diabetic Retinopathy
Diabetic retinopathy merupakan komplikasi pembuluh darah mikro pada
penderita diabetes. Diabetic retinopathy ditandai dengan perubahan pada retina,
meliputi perubahan diameter pembuluh darah, microaneurysm, hard exudate,
cotton wool, haemorrhage, dan tumbuhnya pembuluh darah baru.
Gambar 2.2 Alat funduscopi Topcon TRC NW6
non-mydriatic retinograph
Desain optic dari kamera fundus ini didasarkan pada prinsip oftalmoskopi
langsung. Sebuah kamera fundus memberikan gambar fundus tegak lurus
diperbesar, sebuah kamera biasanya melihat 30 sampai 50 derajat dari daerah
20
retina, dengan perbesaran 2.5 kali, dan memungkinkan pemodifikasian melalui
zoom atau lensa tambahan 15 derajat yang memberikan 5 kali perbesaran sampai
140 derajat dengan lensa sudut lebar setengah dari gambar. Pengambilan gambar
fundus mata dilakukan dengan kamera yang mirip seperti optalmoskop. Ketika
tombol untuk pengambilan gambar ditekan, bayangan memotong jalur pada
sistem pencahayaan yang mengizinkan cahaya dari lampu flash untuk masuk
kedalam mata. Secara serempak bayangan jatuh didepan teleskop observasi, yang
mengarahkan cahaya ke media penangkapan bayangan, apakah itu film atau CD
digital. Karena kecenderungan mata untuk menampung bayangan selama melihat
melalui telescope, hal ini sangat penting bahwa vegence keluar sejajar dalam
rangka untuk memfokuskan gambar yang akan dibentuk pada media
penangkapan.
Pembuluh darah kapiler merupakan pembuluh darah yang sangat kecil,
berbentuk seperti tabung yang sempit dengan diameter sekitar 5-10 µm. Pembuluh
darah ini memungkinkan terjadinya sirkulasi mikro yang melibatkan beberapa
substansi termasuk air, oksigen (O2), karbon dioksida (CO2), zat makanan, dan
residu zat kimia antara pembuluh darah dan jaringan lunak di sekitarnya.
Microaneurysm merupakan titik merah kecil di antara pembuluh darah retina.
Hal ini terjadi karena dinding pembuluh darah terkecil (microneurysm) melemah
kemudian pecah. Dalam beberapa kasus microaneurysm ini meledak menyebabkan
haemorrhage. Seiring dengan kebocoran darah, lemak dan protein juga ikut keluar
dari pembuluh darah titik terang kecil yang dinamakan exudate. Selanjutnya
beberapa bagian dari retina menjadi isemik (kekurangan darah). Area isemik ini
21
tampak pada retina sebagai gumpalan bulu halus berwarna putih yang dinamakan
noda cotton wool. Sebagai tanggapan atas daerah isemik ini, munculah pembuluh
darah baru untuk menyuplai lebih banyak oksigen ke retina. Pembuluh darah baru
ini dinamakan neovascularisation, beresiko lebih besar untuk pecah dan
menyebabkan haemorrhage yang lebih luas. Keberadaan diabetic retinopathy dapat
dideteksi dengan menganalisis karakteristiknya pada retina.
Gambar 2.3 Haemorrhage pada penderita diabetic retinopathy
(tanda panah) (Tomi Kauppi, 2006)
Haemorrhage (lihat Gambar 2.3) merupakan kerusakan akibat diabetic
retinopathy berupa bercak-bercak merah darah akibat pecahnya microneurysm,
kerusakan ini terus berlanjut dan semakin meluas bila tidak segera ditangani
secara baik bisa mengakibatkan exudates.
Dari pemeriksaan visual, exudates tampak dengan bentuk yang berbeda
dengan warna putih atau kekuning-kuningan dengan ukuran yang bermacam-
macam. Exudate sering terlihat seperti lapisan dalam struktur besar mengelilingi
cluster microaneurysms. Sebagian terlihat dalam berbagai ukuran, letak dan
bentuk seperti ditunjukkan dalam Gambar 2.4 dan Gambar 2.5, sebagai berikut:
Haemorrhage
22
Gambar 2.4 Soft exudate pada penderita diabetic retinopathy (tanda panah) (Tomi Kauppi, 2006)
Soft exudate (lihat Gambar 2.4) merupakan kerusakan akibat diabetic
retinopathy berupa bercak-bercak putih kecil kekuning-kuningan, kerusakan ini
terus berlanjut dan semakin meluas bila tidak segera ditangani secara baik bisa
mengakibatkan hard exudate.
Gambar 2.5 Hard exudate pada penderita diabetic retinopathy (tanda panah) (Tomi Kauppi, 2006)
Hard exudate (lihat Gambar 2.5) merupakan kerusakan akibat diabetic
retinopathy yang terlihat melebar dan membesar, kerusakan ini terus berlanjut bila
tidak segera ditangani secara baik dan bisa mengakibatkan kondisi mata semakin
parah dan bisa mengakibatnya muncul bercak-bercak putih seperti kapas yang
disebut sebagai cotton wool.
Soft Exudate
Hard Exudate
23
Gambar 2.6 Retina yang terkena cotton wool (Tomi Kauppi, 2006)
Cotton wool (lihat Gambar 2.6) merupakan kerusakan akibat diabetic
retinopathy yang terlihat berupa bercak-bercak putih seperti kapas, kerusakan ini
terus berlanjut bila tidak segera ditangani secara baik dan bisa mengakibatkan
kondisi mata semakin parah dan bisa mengakibatnya kebutaan.
2.6 Pengolahan Citra
Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua
dimensi). Jika dilihat dari sudut pandang matematis, citra merupakan fungsi
menerus (continu) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya
menerangi objek-objek memantulkan kembali sebagian dari berkas cahaya
tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada
manusia, kamera, scanner, dan lain sebagainya. Sehingga bayangan objek yang
disebut citra tersebut terekam (Usman, 2005:14).
Pengertian pengolahan citra ialah pemrosesan citra, khusunya dengan
menggunakan komputer, menjadi citra yang memiliki kualitas yang lebih baik.
Perbaikan atau modifikasi citra perlu dilakukan untuk meningkatkan kualitas
penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung
Cotton wool
24
di dalam citra. Elemen di dalam citra perlu dikelompokan, dicocokan, atau diukur.
Sedangkan sebagian harus dibangun dengan citra lainnya (Munir, 2004:3).
2.7 Operasi Pengolahan Citra
Operasai yang dilakukan dalam pengolahan citra banyak ragamnya. Akan
tetapi, secara umum pada pengolahan citra terdapat enam jenis operasi
pengolahan, sebagai berikut:
1. Peningkatan kualitas citra
Peningkatan kualitas citra bertujuan untuk memperbaiki kualitas citra
dengan cara memanipulasi parameter citra. Dengan jenis operasi ini, ciri-ciri
khusus yang teedapat di dalam citra lebih ditonjolkan. Contoh dari operasi
peningkatan kualitas citra, sebagai berikut:
a. Perbaikan kontras/gelap
b. Perbaikan tepian objek (edge enhancement)
c. Penajaman (shaepening)
d. Perbaikan warna semu (pseudocoloring)
e. Pengurangan derau/sinyal gangguan (noise filtering)
2. Restorasi citra (image restoration)
Restorasi citra bertujuan untuk menghilangkan atau meminimumkan
cacat pada citra. Tujuan dari restorasi citra hampir sama dengan operasi
peningkatan kualitas citra. Tetapi bedanya, pada restorasi citra penyebab
degradasi gambar diketahui. Contoh dari restorasi citra, sebagai berikut:
a. Penghilangan kesamaran (debluring)
b. Penghilangan derau/sinyal gangguan (noise)
25
3. Kompresi citra (image compression)
Kompresi citra adalah untuk mengecilkan sebuah ukuran file citra dengan
mengurangi jumlah bit pada representasi citra digital dengan tujuan
mengefisienkan penggunaan citra digital. Hal penting yang harus diperhatikan
dalam kompresi citra adalah citra yang dikompresikan harus tetap mempunyai
kualitas gambar yang bagus. Contoh metode kompresi citra adalah metode
JPEG. Misalnya citra kapal yang berukuran 258Kb, hasil kompresi citra
dengan metode JPEG dapat mereduksi ukuran citra semula sehingga hanya
menjadi 49Kb saja.
4. Segmentasi citra (image segmentation)
Segmentasi citra merupakan proses pengelompokan citra menjadi
beberapa region berdasarkan kriteria tertentu. Segmentasi citra bertujuan untuk
menemukan karakteristik khusus yang dimiliki suatu citra. Oleh karena itu,
segmentasi sangat diperlukan pada proses pengenalan pola. Semakin baik
kualitas segmentasi maka semakin baik pula kualitas pengenalan polanya.
Secara umum ada beberapa pendekatan yang banyak digunakan dalam
proses segmentasi, sebagai berikut:
a. Teknik threshold, yaitu pengelompokan citra sesuai dengan distribusi
properti pixel penyusun citra
b. Teknik region-based, yaitu pengelompokan citra kedalam region-region
tertentu secara langsung berdasarkan persamaan karakteristik suatu area
citranya
26
c. Teknik edge-based, yaitu pengelompokan citra kedalam wilayah berbeda
yang terpisahkan karena adanya perbedaaan
d. Perubahan warna tepi dan warna dasar citra secara mendadak
Pendekatan pertama dan kedua merupakan contoh kategori pemisahan
image berdasarkan kemiripan area citra, sedangkan pendekatan ketiga
merupakan salah satu contoh pemisahan daerah berdasarkan perubahan
intensitas yang cepat terhadap suatu daerah.
5. Analisis citra (image analysis)
Analisis citra bertujuan untuk menghitung besaran kuantitatif dari citra
sehingga menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-
ciri tertentu yang membantu dalam identifikasi objek. Proses analisis citra
kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari
sekelilingnya. Contoh operasi analisis citra, sebagai berikut:
a. Pendeteksian tepi objek (edge detection)
b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
6. Rekonstruksi citra (image reconstruction)
Rekonstruksi citra bertujuan untuk membentuk ulang objek dari beberapa
citra hasil proyeksi. Operasi rekontruksi citra banyak digunakan dalam bidang
medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk
membentuk ulang gambar organ tubuh.
27
2.8 Lingkungan Kerja Matlab
2.8.1 Beberapa Bagian dari Window Matlab
a. Current Directory: Window ini menampilkan isi dari direktori kerja saat
menggunakan matlab. Direktori ini dapat diganti sesuai dengan tempat
direktori kerja yang diinginkan. Default dari alamat derektori berada
dalam folder works tempat program files Matlab berada.
b. Commad History: Window ini berfungsi untuk menyimpan perintah-
perintah apa saja yang sebelumnya dilakukan oleh pengguna terhadap
Matlab.
c. Commad Window: Window ini adalah window utama dari Matlab. Disini
adalah tempat untuk menjalankan fungsi, medeklarasikan variable,
menjalankan proses-proses, serta melihat isi variable.
d. Workspace: Workspace berfungsi untuk menampilkan seluruh variabel-
variabel yang sedang aktif pada saat pemakainan Matlab. Apabila variabel
berupa data matriks berukuran besar maka user dapat melihat isi dari
seluruh data dengan melakukan double klik pada variabel tersebut.
Gambar 2.7 Tampilan Matlab versi 7.0
28
2.8.1.1 Getting Help
Matlab menyediakan fungsi help yang berisikan tutorial lengkap
mengenai Matlab dan segala keunggulannya. User dapat menjalankan
fungsi ini dengan menekan tombol pada tootbar atau menulis perintah
“helpwin” pada command window. Matlab juga menyediakan fungsi demos
yang berisikan video tutorial matlab serta contoh-contoh program yang bisa
dibuat dengat matlab.
2.8.1.2 Interpting dan Terminating dalam Matlab
Untuk menghentikan proses yang sedang berlangsung pada matlab
dapat dilakukan dengan menekan tombol Ctrl+C. Sedangkan untuk keluar
dari matlab dapat dilakukan dengan menulis perintah “exit” atau “quit”
pada commad window atau dengan menekan menu exit pada bagian menu
file dari menu bar.
2.8.2 Variabel pada Matlab
Matlab hanya memiliki dua jenis tipe data yaitu Numeric dan String.
Dalam matlab setiap variabel akan disimpan dalam bentuk matrik. User dapat
langsung menuliskan variabel baru tanpa harus mendeklarasikannya terlebih
dahulu pada commad window. Contoh pembuatan variabel pada matlab,
sebagai berikut:
>> varA = 1000
varA = 1000
>> varB = [45 2 35 45]
VarB = 45 2 35 45
>> varC = ‘test variabel’
VarC = test variabel
29
Penamaan variabel pada matlab bersifat caseSensitif sebab perlu
diperhatikan penggunaan huruf besar dan kecil pada penamaan variabel.
Apabila terdapat variabel lama dengan nama yang sama maka matlab secara
otomatis akan me-replace variabel lama tersebut dengan variabel baru yang
dibuat user.
2.8.2.1 Matriks
Dapat diasumsikan bahwa dalam matlab setiap data akan disimpan
dalam bentuk matriks. Dalam membuat suatu data matriks pada matlab,
setiap isi data harus dimulai dari kurung siku ‘[’ dan diakhiri dengan kurung
siku tutup ‘]’. Untuk membuat variabel dengan data yang terdiri dari
beberapa baris, gunakan tanda ‘titik koma (;)’ untuk memisahkan data tiap
barisnya. Contoh pembuatan data matriks pada matlab, sebagai berikut:
>> DataMatriks = [1 2 3;4 5 6]
DataMatriks = 1 2 3
Matlab menyediakan beberapa fungsi yang dapat kita gunakan untuk
menghasilkan bentuk matriks yang diinginkan. Fungsi-fungsi tersebut,
sebagai berikut:
§ zeros : untuk membuat matriks yang semua datanya bernilai 0
§ ones : matriks yang semua datanya bernilai 1
§ rand : matriks data random dengan menggunakan distribusi unifom
§ randn : matriks data random dengan menggunakan distribusi normal
§ eye : untuk menghasilkan matriks identitas
30
2.8.3 Operator
Operator adalah fungsi untuk melakukan perhitungan pada matlab.
Beberapa pengguna operator aritmatika antara dua operand (A dan B)
ditunjukkan pada tabel berikut ini:
Tabel 2.1 Operator aritmatika dua operand Operasi Bentuk Aljabar Bentuk Matlab Contoh
Penambahan A + B A + B 1 + 3 Pengurangan A – B A – B 7 – 3 Perkalian A × B A * B 3 * 3 Pembagian A ÷ B A ¥ B 8 ¥ 4 Eksponensial AB A ^ B 4 ^ 2
2.8.4 Fungsi Matematika Lainnya
Beberapa fungsi matematika lainnya yang dapat kita gunakan untuk
operasi matematika, sebagai berikut:
§ abs(x) : berfungsi untuk menghasilkan nilai absolut dari x
§ sign(x) : berfungsi untuk menghasilkan nilai -1 jika x<0, 0 jika x=0, dan
1 jika x>1
§ exp(x) : berfungsi untuk menghasilkan nilai eksponensian natural, ex
§ log(x) : berfungsi untuk menghasilkan nilai logaritma natural x, ln x
§ log10(x) : berfungsi untuk menghasilkan nilai logaritma dengan basis 10,
log10x
§ sqrt(x) : berfungsi untuk menghasilkan akar dari nilai x, √⸘
§ rem(x,y) : berfungsi untuk menghasilkan nilai modulus (sisa pembagian)
x terhadap y
31
2.8.5 M-File
Di dalam matlab, dapat menyimpan semua script yang akan digunakan
dalam file pada matlab denga ekstensi “*.M”. M-File dapat dipanggil dengan
memilih menu file>>new>>M-File. Contoh gambar M-File, sebagai berikut:
Gambar 2.8 Contoh gambar M-File
Di dalam M-File, dapat menyimpan semua perintah dan menjalankannya
dengan menekan tombol atau mengetik nama M-File yang kita buat pada
command window. M-File juga dapat menuliskan fungsi-fungsi yang berisikan
berbagai operasi sehingga menghasilkan data yang diinginkan.
2.9 Algoritma Fuzzy K-Means
Sebelum melangkah lebih jauh, mungkin ada baiknya mengetahui latar
belakang mengapa disebut K-Means. K di sini dimaksudkan sebagai konstanta
jumlah cluster yang diinginkan. Jadi, berhubung sudah mengasumsikan jumlah
cluster yang akan dihasilkan algoritma ini, maka K didefiniskan diawal (contoh: K
= 5 cluster). Means dalam hal ini berarti nilai suatu rata-rata dari suatu grup data
yang dalam hal ini didefinisikan sebagai cluster.
32
Jika kita menggabungkan kedua hal tersebut, maka dapat diartikan bahwa
algoritma ini menggunakan K nilai rata-rata yang setiap nilai rata-ratanya dihitung
dari suatu cluster. Kalau ada 5 cluster, maka akan ada 5 rata-rata yang dipakai
oleh algoritma ini.
Konsep tentang himpunan fuzzy (fuzzy set = himpunan kabur) diperkenalkan
pertama kali pada bulan Juli 1964 oleh Prof. Lotfi Zadeh yang menyatakan bahwa
ketidakpastian dapat didekati dengan metode lain selain pendekatan probabilitas,
yaitu konsep himpunan fuzzy. Himpunan tegas atau himpunan klasik merupakan
himpunan dengan batas yang jelas.
Peranan himpunan fuzzy dalam kelompok adalah dalam pembentukan fungsi
dan tingkat keanggotaan dari setiap objek atau data dalam kelompok. Tingkat ke-
fuzzy-an tidak berasal dari keacakan anggota himpunan, tetapi berasal dari
ketidak-pastian dan ketidak-tepatan pikiran serta konsep yang abstrak.
Metode fuzzy K-Means pertama kali diperkenalkan oleh Jim Bezdek pada
tahun 1981 untuk menyelesaikan masalah optimasi. Fuzzy K-Means adalah suatu
teknik pengelompokan objek yang mana keberadaan tiap-tiap objek dalam suatu
cluster ditentukan oleh nilai keanggotaan (Kusumadewi, 2006).
Berbeda dengan K-Means clustering, dimana suatu objek hanya akan
menjadi anggota satu cluster, dalam fuzzy K-Means setiap objek bisa menjadi
anggota dari beberapa cluster, sesuai dengan namanya fuzzy yang berarti samar.
Batas-batas dalam K-Means adalah tegas (hard) sedangkan dalam fuzzy K-Means
adalah soft (Agusta, 2007).
33
Konsep dasar fuzzy K-Means pertama kali adalah menentukan pusat cluster
pada kondisi awal, pusat cluster ini masih belum akurat dan tiap objek memiliki
derajat keanggotaan untuk tiap-tiap cluster dengan cara memperbaiki pusat cluster
dan nilai keanggotaan tiap objek secara berulang maka akan dapat dilihat bahwa
pusat cluster akan bergerak menuju lokasi yang tepat.
Ketika gerombol-gerombol menjadi overlapping atau setiap objek
memungkinkan termasuk ke beberapa gerombol, maka µik dapat diinterpretasikan
sebagai fungsi keanggotaan yaitu 그캰k 碉 揍0,1租. Maka fungsi objektif J yang
dirumuskan sebagai fungsi dari U dan V sebagai berikut:
dengan:
U : matriks keanggotaan objek ke masing-masing gerombol
V : matriks centroid / rata-rata masing-masing gerombol
m : pembobot eksponen
µik : fungsi keanggotaan objek ke-k ke gerombol ke-i
xk : objek ke-k
vi : nilai centroid ke-i
d : ukuran jarak
c/n : jumlah cluster yang diinginkan
Pada metode fuzzy k-means diperkenalkan suatu peubah m yang merupakan
fungsi pembobot (weighting exponent) dari membership function. Peubah m ini
disebut juga indeks fuzzy dan mempunyai nilai [1,4]. Menurut penelitian yang
dilakukan oleh Hong (2006) nilai m yang paling bagus untuk digunakan adalah 2.
34
Untuk menghitung centroid (titik pusat) gerombol vij, untuk setiap gerombol
digunakan rumus sebagai berikut:
dengan:
m : pembobot eksponen
µik : fungsi keanggotaan objek ke-k ke gerombol ke-i
xkj : objek ke-k gerombol ke-j
Sedangkan untuk menghitung fungsi keanggotaan objek ke-k ke gerombol
ke-i digunakan rumus sebagai berikut:
dengan:
µik : fungsi keanggotaan objek ke-k ke gerombol ke-i
xk : objek ke-k
vi : nilai centroid cluster ke-i
vj : rata-rata centroid cluster ke-j
m : pembobot eksponen
Fuzzy K-Means adalah teknik yang cukup sederhana dan cepat dalam
pekerjaan pengelompokkan data (clustering). Prinsip utama dari teknik ini adalah
menyusun K buah prototipe/pusat massa (centroid)/rata-rata (mean) dari sekumpulan
data berdimensi n. Teknik ini mensyaratkan nilai K sudah diketahui sebelumnya
(a priori). Algoritma fuzzy K-Means dimulai dengan pembentukan prototipe
cluster di awal kemudian secara iteratif prototipe cluster ini diperbaiki hingga
35
konvergen (tidak terjadi perubahan yang signifikan pada prototipe cluster).
Perubahan ini diukur menggunakan fungsi objektif J yang umumnya didefinisikan
sebagai jumlah atau rata-rata jarak tiap item data dengan pusat massa
kelompoknya. Secara lebih detil algoritma fuzzy K-Means, seperti berikut:
1. Inisialisasi nilai J (misal MAXINT)
2. Tentukan fungsi keanggotaan setelah melakukan inisialisasi
3. Masukkan tiap satuan data ke dalam kelompok yang jarak dengan pusat
massa-nya paling dekat (mencari titik pusat)
4. Memperbaiki nilai dari fungsi keanggotaannya
5. Melakukan pengecekan apakah iterasi sudah dalam keadaan maksimal, jika
belum ulangi kelangkah 3
6. Hitung fungsi objektif J (untuk mengetahui kebenaran dari titik pusat dan
fungsi keanggotaannya)
Gambar 2.9 Ilustrasi algoritma fuzzy K-Means
Diagram Voronoi adalah diagram yang membagi daerah dengan sama besar.
Katakteristik fuzzy K-Means, yaitu (1) Fuzzy K-Means sangat cepat dalam proses
clustering; (2) Fuzzy K-Means sangat sensitif pada pembangkitan centroids awal
secara random; (3) Memungkinkan suatu cluster tidak mempunyai anggota.
36
2.10 Pentingnya Mendeteksi Awal Suatu Penyakit dalam Islam
2.10.1 Pandangan Islam pada Penyakit
Dalam pandangan Islam sehat dan sakit adalah anugerah dan takdir
Allah. Pada sisi lain, sakit juga pada hakikatnya merupakan ujian dari-Nya.
Setiap orang yang diuji misalnya dengan sakit atau musibah harus mampu
bersabar dan tawakal. Ujian itu jika dihayati secara mendalam, sesungguhnya
karena Allah mencintai hambanya yang di ujinya itu. Thurmudzi dan Ibn
Majah meriwayatkan hadist.
“Sesungguhnya jika Allah Ta’ala mencintai suatu kaum, diujinya dengan
berbagai macam cobaan. Maka barang siapa dengan ridha menerima ujian
itu, niscaya ia akan mendapatkan keridhaan Allah. Dan siapa yang berkeluh
kesah dalam menerima ujian itu, dia akan memperoleh kemurkaan Allah.”
Karena itu setiap orang yang mendapat cobaan baik berupa sakit atau
musibah sepatutnya ia tawakal, tidak berputus asa (Sumber: Basri Iba Asghary,
1994: 4-5).
Ditekankan juga peringatan bahwa perut merupakan sumber utama
penyakit: Al-ma’idat baid adda’ dan oleh karena itu ditemukan banyak sekali
tuntutan baik dalam Al-Qur’an maupun hadist Nabi SAW yang berkaitan dengan
makanan, jenis maupun kadarnya (Sumber: Moh Quraish Shihab, 2001: 184).
Dikalangan medis terkenal semboyan “Mencegah lebih baik dari pada
mengobat.” Umar Ibn Khattab pernah berkata: “Kuasailah nafsu lambungmu,
sebab dialah yang merusak jasadmu, yang mendatangkan penyakit dan menyia-
nyiakan shalat.” Rasulullah memberikan peringatan kepada ummatnya: “Ilmu
dan akal tidak mungkin ada bersama lambung yang penuh dengan makanan.”
37
Keadaan yang terlalu kenyang bisa menimbulkan macam-macam penyakit
yang dapat mengganggu fungsi organ-organ tubuh (Sumber: Basri Iba
Asghary, 1994: 91).
2.10.2 Pengobatan Penyakit dalam Islam
Artinya: “Dan Kami turunkan dari Al-Qur’an suatu yang menjadi penawar dan
rahmat bagi orang-orang yang beriman dan Al-Qur’an itu tidaklah menambah
kepada orang-orang yang zalim selain kerugian.” (Q.S. Al-Isra’: 82).
Indikasi secara implisit yang terdapat dalam ayat diatas menyebutkan
bahwa Al-Qur’an dapat dipergunakan sebagai petunjuk untuk penyembuhan/
penawar obat dan rahmat.
Ayat suci Al-Qur’an, dalam surat Al-Isra’ diatas dapat ditafsirkan dengan
beberapa ayat dalam surat lain, dan diluar itu kemudian dijelaskan oleh
Rasululah SAW. Al-Qur’an sebagai penyembuh penyakit rohani, yakni jika
isinya diaplikasikan dalam kehidupan. Al-Qur’an memberikan petunjuk dengan
metode yang rasional bagaimana menyembuhkan penyakit yang terdapat dalam
kalbu, yakni harus mempercayai Al-Qur’an, mengambil manfaat, membaca, dan
menerimanya (Sumber: Basri Iba Asghary, 1994: 1-2).
Di dalam Islam penyakit dikenal ada 2 macam, sebagai berikut:
penyakit fisik dan penyakit rohani. Jika penyakit rohani dapat disembuhkan
dengan ayat suci Al-Qur’an sebagaimana yang telah dijelaskan di atas.
Namun jika penyakit itu berupa fisik maka solusi yang diberikan Al-Qur’an
38
salah satunya adalah meminum madu, seperti disebutkan dalam Al-Qur’an
surat An-Nahl yang berbunyi:
Artinya: “Kemudian makanlah dari tiap-tiap (macam) buah-buahan dan
tempuhlah jalan Tuhanmu yang telah dimudahkan (bagimu) dari perut lebah
itu ke luar minuman (madu) yang bermacan-macam warnannya, di dalamnya
terdapat obat yang menyembuhkan bagi manusia. Sesunggungnya pada yang
demikian itu benar-benar terdapat tanda (kebesaran Tuhan) bagi orang-
orang yang memikirkan.” (QS. An-Nahl 16:69)
Manfaat dari madu telah terbukti atau teruji untuk mengobati dan
memperbaiki kondisi mata. Pada tahun 1981 Dr. Emara, kepala jurusan
Dokter Syaraf Mata di Al-Mansur telah berhasil membuktikan kemampuan
madu untuk mengobati peradangan pada kornea mata, kebutaan pada kornea
mata yang disebabkan oleh virus herpes, serta peradangan dan dehidrasi pada
konjungtiva (selaput pada kelopak mata).
Madu yang digunakan adalah madu pilihan yang telah disterilkan.
Penggunaannya adalah dengan cara diteteskan 1-2 tetes madu kedalam mata.
Terapi biasanya akan menyebabkan mata menjadi perih untuk beberapa saat
dengan disertai keluarnya air mata. Setelah diteteskan madu kondisi mata
pada umunnya akan membaik 85% dan penglihatan menjadi lebih terang.
Sebagian besar dari pasien penyakit mata yang ditangani dalam penelitian
menggunakan terapi madu menunjukkan hasil yang menggembirakan.
BAB III
METODE PENELITIAN
Pada bab ini akan diuraikan mengenai metode penelitian untuk
mengklasifikasikan penyakit diabetic retinopathy pada citra digital fundus mata.
Dalam metode penelitian ini akan dibahas mengenai lingkungan perancangan
perangkat keras, lingkungan perancangan perangkat lunak, deskripsi sistem,
desain sistem, desain data sistem, desain proses sistem, dan perancangan
antarmuka. Penjabaran dan penjelasannya akan diuraikan sebegai berikut:
3.1 Lingkungan Perancangan Perangkat Keras
Untuk merancang dan membuat program klasifikasi fitur diabetic
retinopathy pada citra digital fundus mata menggunakan metode fuzzy K-Means,
perangkat komputer yang digunakan yaitu dengan spesifikasi sebagai berikut:
1. Prosessor Intel Pentium Dual CPU T2370 1.73GHz
2. VGA Mobile Intel(R) 965 Express Chipset Family
3. RAM 2048MB
4. Harddisk 160GB
5. Perangkat output monitor LED 12”
6. Keyboard dan mouse
3.2 Lingkungan Perancangan Perangkat Lunak
Untuk merancang dan membuat program klasifikasi fitur diabetic
retinopathy pada citra digital fundus mata menggunakan metode fuzzy K-Means,
yaitu menggunakan beberapa perangkat lunak sebagai berikut:
3940
40
1. Sistem Operasi Windows XP Professional
Windows XP Profesional digunakan sebagai sistem operasi yang dapat
difahami oleh komputer. Digunakan untuk mengarahkan komputer mengawal,
menjadwalkan, menyelaraskan dan melaksanakan suatu sistem komputer.
2. Matlab R2008A
Matlab merupakan sebuah lingkungan komputasi numerical dan bahasa
pemprograman komputer yang memungkinkan implementasi algoritma,
manipulasi matriks, pembuatan antarmuka pengguna, dan pengatarmukaan
program dengan bahasa lainnya. Matlab digunakan sebaga tool dalam
melakukan pemprograman dan pembangunan sistem.
3.3 Desain Sistem
Pada subbab ini akan dijelaskan mengenai desain aplikasi untuk
implementasi metode fuzzy K-Means. Desain aplikasi ini meliputi desain data,
desain proses dalam sistem yang digambarkan dengan diagram alir (flowchat), dan
desain interface. Desain data menjelaskan tentang data masukan, data proses dan
data keluaran dari sistem yang dibuat. Desain proses antara lain menjelaskan
tentang proses awal (pre-processing) sampai dengan proses akhir klasifikasi. Dari
semua proses yang dibuat, diharapkan akan mendapatkan hasil yang sesuai dan
juga maksimal.
3.3.1 Desain Data Sistem
Data yang digunakan dalam pembutan aplikasi ini adalah berupa citra
digital fundus mata. Data dibagi menjadi tiga bagian utama, yaitu data
masukan, data proses dan data keluaran. Penjelasannya sebagai berikut:
41
1. Data Masukan
Pada pembuatan aplikasi ini data yang digunakan berupa data citra digital
fundus mata. Data citra masukan ini berupa citra RGB dengan format file
Tagged Image Format File (.tiff) dengan ukuran 2240 × 1488 piksel. Data citra
fundus mata ini diperoleh dari database Messidor dengan alamat
http://messidor.crihan.fr. Messidor merupakan program riset yang didanai oleh
TECHNO-VISI Kemetrian Riset dan Pertahanan Perancis tahun 2004 yang
berkonsentrasi pada penelitian tentang penyakit diabetic retinopathy.
2. Data Proses
Pada bagian data proses berupa citra retina yang digunakan untuk proses
klasifikasi penyakit pada retina. Pada tahapan pre-processing citra RGB akan
diubah menjadi citra HSI. Selanjutnya dilakukan proses penghilangan optic
disk, ini bertujuan untuk menyederhanakan citra retina. Langkah selanjutnya
yaitu proses pengklasifikasian fitur diabetic retinopathy menggunakan metode
fuzzy K-Means.
3. Data Keluaran
Data keluaran adalah berupa data citra yang didapatkan dari hasil proses
klasifikasi fitur diabetic retinopathy. Format file citra yang dihasilkan dari data
keluaran yaitu file yang berekstraksi *.tif dengan ukuran 512 × 512 piksel.
42
3.3.2 Desain Proses Sistem
Pada subbab ini akan dijelaskan mengenai desain proses dari sistem
untuk pengklasifikasian penyakit diabetic retinopathy pada citra digital fundus
mata. Desain ini digunakan untuk mengetahui proses apa saja yang dikerjakan
oleh sistem tersebut.
Gambar 3.1 Diagram proses desain sistem clustering penyakit diabetic retinopathy dengan menggunakan metode fuzzy K-Means
Citra RGB
Citra HSI
Menghilangkan Pembuluh Darah
Deteksi Awal Exudates
Mempertajam Contrast
Deteksi Awal Microaneurysm
Clustering Fuzzy K-Means
Cluster
Menghilangkan Optic Disk
Ekstraksi Fitur
Proses Pre-processing
Proses Clustering
Input Citra
Proses Segmentasi
Proses Ekstraksi Fitur
43
Secara gambaran besar, desain proses dimulai dengan input citra.
Selanjutnya sistem akan memproses citra tersebut dalam beberapa tahapan,
yaitu pre-processing, klasifikasi dan hasil akhir yang berupa bentuk citra
penyakit diabetic retinopathy yang telah terklasifikasi.
Diabetic retinopathy merupakan penyakit komplikasi pembuluh darah
mikro pada penderita penyakit diabetes. Diabetic retinopathy memiliki ciri
dengan adanya perubahan pada retina, meliputi perubahan diameter pembuluh
darah, microaneurysm, hard exudate, cotton wool, haemorrhage, dan
tumbuhnya pembuluh darah baru. Bentuk serta ukurannya pun akan berbeda-
beda antara satu citra dengan citra yang lainnya dan dengan tahap retinopathy
yang berbeda. Di bawah ini akan menjelaskan tentang proses desain sistem
yang akan dibahas satu per satu, sebagai berikut:
1. Input Citra
Input image merupakan proses yang pertama kali dilakukan untuk
memasukkan data berupa citra digital fundus mata sebelum dilakukan proses
selanjutnya. Citra masukan ini masih berupa gambar RGB dengan format file
Tagged Image Format File (.tiff) dan berukuran 2240 × 1488 piksel, yaitu
seperti pada gambar berikut:
Gambar 3.2 Citra digital fundus mata berwarna
44
2. Proses Pre-processing
Sebelum melakukan proses selanjutnya, citra terlebih dahulu melakukan
proses awal (pre-processing), yaitu pengolahan citra (image) dengan tujuan
agar mendapatkan hasil secara maksimal disaat proses clustering, sehingga
dapat menghasilkan clustering yang terbaik. Dalam pre-processing ada
beberapa tahapan, yaitu:
a. Konversi citra RGB menjadi citra HSI
Awal dari tahapan pre-processing adalah dengan mengkonversi citra
retina dari citra HSI. RGB (Red, Green, Blue) merupakan kombinasi tiga
warna dasar yang memiliki nilai komputasi masing-masing yaitu 255. HSI
(Hue, Saturation, Intensity) merupakan kombinasi teknik pengolahan warna,
biasanya warna ini digunakan sebagai segmentasi pengolahan citra digital.
Hue ditentukan oleh dominan panjang gelombang. Warna yang dapat dilihat
oleh mata memiliki panjang gelombang antara 400nm (violet) – 700nm (red)
pada spektrum electromagnetic. Saturation ditentukan oleh tingkat kemurnian
dan tergantung pada jumlah sinar putih yang tercampur dengan hue. HSI
sangat cocok untuk mendeskripsikan warna sedangkan RGB cocok untuk
menghasilkan warna (pada perangkat elektronis penangkap citra). Karena
warna HSI merupakan bentuk lain yang bisa digunakan untuk
menginterpretasi karakteristik dari warna alami (Prasetyo, 2011:184).
45
Untuk mengubah atau konversi dari citra RGB menjadi HSI ini
menggunakan persamaan atau langkah-langkah sebagai berikut:
§ Hitung θ
§ Hitung H (Hue)
§ Hitung S (Saturation)
§ Hitung I (Intensity)
Dengan asumsi bahwa nilai RGB adalah nilai yang mendominasi pada
range [0,1], dan sudut θ diukur dengan derajat terhadap sumbu red dari HSI
space. Hue dapat dinormalisasikan dalam range [0,1] dengan pembagian oleh
360° semua nilai yang dihasilkan dari persamaan hue di atas. Dua komponen
HSI yang lain sudah didapatkan dalam range ini jika nilai RGB yang
diberikan dalam interval [0,1].
Di bawah ini adalah ilustrasi atau contoh gambar dari proses RGB
menjadi HSI, yaitu:
Gambar 3.3 Contoh proses RGB menjadi HSI
46
b. Peningkatan kontras
Peningkatan kualitas citra merupakan satu proses awal dalam
peningkatan mutu citra. Peningkatan mutu cita diperlukan karena seringkali
citra yang dijadikan objek pembahasan mempunyai kualitas yang buruk,
misalnya citra mengalai derau, kabur dan sebagainya. Peningkatan mutu citra
adalah suatu proses mendapatkan citra yang lebih mudah diinterpretasikan
oleh mata manusia. Proses pengolahan citra yang termasuk dalam kategori
peningkatan mutu citra terdiri dari proses-proses yang bertujuan memperbaiki
citra untuk memperoleh keindahan gambar, untuk kepentingan analisi citra
dan untuk mengoreksi citra.
Dalam peningkatan mutu citra ada beberapa teknik yang digunakan,
yaitu image enhancement adalah proses citra dengan meningkatkan kualitas
citra baik kontras maupun kecerahan, image restoration adalah proses
memperbaiki model citra, dan color image processing adalah proses yang
melibatkan citra berwarna, baik berupa image enhancement, image
restoration atau yang lainnya.
c. Cluster
Cluster adalah metode penganalisaan data, yang sering dimasukkan
sebagai salah satu metode Data Mining, yang tujuannya adalah untuk
mengelompokkan data dengan karakteristik yang sama ke suatu ‘wilayah’
yang sama dan data dengan karakteristik yang berbeda ke ‘wilayah’ yang
lain.
Ada beberapa pendekatan yang digunakan dalam mengembangkan
metode clustering. Dua pendekatan utama adalah clustering dengan
pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering
dengan pendekatan partisi atau sering disebut dengan
clustering mengelompokkan data dengan memilah
ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau
sering disebut dengan
membuat suatu hirarki berupa
ditempatkan pada hirarki yang berdek
berjauhan. Adapun pembagiannya sebagai berikut:
Non-proliferative Diabetic Retinopathy
§ Mild
Stadium mild ditandai
dan pendarahan yang disebabkan kerusakan pembuluh
darah pada retina dan
atau abnormalitas lain yang berhunbungan dengan
diabetes militus.
§ Moderate
Stadium moderate
dan juga hemorrages
banyak dibandingkan dengan tingkat
juga adanya soft exudate
beading dan intra retina microvascular abnormality
Ada beberapa pendekatan yang digunakan dalam mengembangkan
Dua pendekatan utama adalah clustering dengan
pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering
dengan pendekatan partisi atau sering disebut dengan partition
mengelompokkan data dengan memilah-milah data yang dianali
cluster yang ada. Clustering dengan pendekatan hirarki atau
sering disebut dengan hierarchical clustering mengelompokkan data dengan
membuat suatu hirarki berupa dendogram dimana data yang mirip akan
ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang
Adapun pembagiannya sebagai berikut:
proliferative Diabetic Retinopathy (NPDR)
itandai dengan adanya microaneurysm
dan pendarahan yang disebabkan kerusakan pembuluh
darah pada retina dan tidak terdapat lesi pada retina
atau abnormalitas lain yang berhunbungan dengan
moderate ditandai adanya microaneurysm
hemorrages. Jumlah microaneurysm lebih
banyak dibandingkan dengan tingkat mild. Terlihat
soft exudate, pelebaran vena, venous
intra retina microvascular abnormality.
47
Ada beberapa pendekatan yang digunakan dalam mengembangkan
Dua pendekatan utama adalah clustering dengan
pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering
partition-based
milah data yang dianalisa
cluster yang ada. Clustering dengan pendekatan hirarki atau
mengelompokkan data dengan
dimana data yang mirip akan
atan dan yang tidak pada hirarki yang
48
§ Severe
Stadium severe memiliki kriteria: (1) Terdapatnya
pendarahan atau microaneurysm; (2) Lebih dari 20
hemorrages atau venous beading; (3) Terdapat intra
retina microvascular abnormality (IRMA).
3. Proses Segmentasi
a. Penghilangan pembuluh darah
Untuk proses penghilangan pembuluh darah (blood vessels),
mengunakan operasi morfologi. Jenis morfologi yang digunakan adalah
operasi closing. Operasi closing merupakan penggabungan antara proses erosi
dan proses dilasi. Hanya saja proses dilasi dilakukan terlebih dahulu,
kemudian baru dilanjutkan dengan proses erosi. Berikut adalah blok diagram
proses deteksi exudates:
Gambar 3.4 Diagram deteksi blood vessels
Akusisi Citra
Deteksi Blood Vessels
Operasi Closing
Proses Dilasi
Proses Erosi
49
Fungsi dari operasi dilasi adalah untuk memperluas area optic disk
sedangkan fungsi dari proses erosi adalah untuk menghilangkan pembuluh
darah (blood vessels). Operasi closing dapat dinyatakan dengan rumus,
sebagai berikut:
Hasil operasi closing hampir mirip seperti hasil dari proses dilasi yaitu
memperbesar batas luar dari objek foreground dan juga menutup lubang kecil
yang terdapat di tengah objek, akan tetapi hasil operasi closing tidak sebesar
hasil dari proses dilasi. Hasil proses dilasi dapat menyebabkan pembengkakan
bentuk keseluruhan dari objek. Efek ini dapat dikurangi dengan menerapkan
proses erosi setelah proses dilasi. Berikut ini adalah ilustrasi atau contoh
gambar dari operasi closing, yaitu:
Gambar 3.5 Contoh proses operasi closing
Gambar 3.6 Contoh proses operasi closing pada fundus mata
50
b. Penghilangan optic disk
Optic Disk atau pusat saraf mata, merupakan daerah pada mata tempat
syaraf mata memasuki retina dan merupakan pertemuan seluruh syaraf mata.
Fungsi menghilangkan optic disk adalah untuk menghitung microaneurysms.
Berikut adalah blok diagram tahapan penghilangan optic disk:
Gambar 3.7 Diagram deteksi Optic Disk
Thresholding adalah proses mengubah citra berderajat keabuan menjadi
citra biner atau hitam putih sehingga dapat diketahui daerah mana saja yang
termasuk objek dan background dari citra secara jelas. Dalam operasi dilasi
memiliki fungsi untuk memperbesar ukuran segmen objek dengan menambah
lapisan disekeliling objek. Pada citra biner, dilasi merupakan proses
penggabungan titik-titik latar menjadi bagian dari objek. Dari citra RGB
kemudian diambil komponen merahnya karena pada proses ini optic disk
memiliki intensitas warna paling tinggi.
Gambar 3.8 Contoh proses deteksi optic disk pada fundus mata
Akusisi Citra
Deteksi Optic Disk
Citra Filter Thresholding
Operasi Dilasi dan Erosi
Citra Red
Deteksi Tepi
Mencari Koordinat Pusat dan Jari-jari
Optic Disk
51
c. Pendeteksi awal exudate
Proses selanjutnya adalah pendeteksi awal exudate. Exudates muncul
sebagai wilayah kuning terang-putih pada retina, hal ini disebabkan terdapat
kebocoran darah dari pembuluh yang abnormal. Bentuk dan ukuran akan
bervariasi dengan retinopathy yang berbeda dan bertahap. Berikut adalah blok
diagram proses deteksi exudates:
Gambar 3.9 Diagram deteksi exudates
Pendeteksian exudate diawali dengan proses akuisisi citra. Citra RGB di
konversi menjadi citra grayscale, kemudian operasi morfologi diterapkan
untuk menghilangkan pembuluh darah dan mengidentifikasi wilayah
exudates. Exudates akan terdeteksi setelah menghapus perbatasan (batas tepi
retina), optical disk dan daerah non-exudates.
Gambar 3.10 Contoh proses filter colfilt pada fundus mata
Akusisi Citra
Deteksi Exudates
Kontras Citra
Citra Grayscale
Nilai Intensitas Citra
Identifikasi Fitur Gelap
Menghitung Ditur Gelap
Hitung Border Deteksi Optic Disk Menghilangkan Pembuluh Darah
Hapus Optic Disk Hapus Tepi Retina
52
d. Deteksi awal microaneurysm
Microaneurysms adalah tonjolan kecil yang muncul karena melemahnya
dinding terkecil dari vessel pembuluh darah dan tanda klinis awal dari diabetic
retinopathy. Jumlah microaneurysms pada penderita diabetic retinopathy cepat
atau lambat akan meningkat. Microaneurysms muncul sebagai titik bulat kecil
gelap pada citra fundus. Untuk proses pendeteksian microaneurysms dan nilai
entropy menggunakan citra hasil konversi ke green channel, karena pada
proses ini memerlukan refleksi cahaya yang paling baik sehingga dapat
dihasilkan informasi yang signifikan pada proses pendeteksiannya (Wahyudi
Setiawan, 2012). Berikut ini adalah blok diagram deteksi microaneurysms:
Gambar 3.11 Diagram deteksi microaneurysms
Untuk mendeteksi microaneurysms, ada beberapa tahapan yang harus
dilalui. Citra yang akan diproses melalui proses awal ialah perbaikan citra
yang berfungsi untuk mendapatkan hasil yang maksimal. Langkah
Akusisi Citra
Deteksi Microaneurysms
Green Channel Citra Grayscale
Deteksi Border Deteksi Batas Tepi Retina
Deteksi Fitur Terang
Menghilangkan Fitur Terang
Deteksi Penutup Optic Disk
Menghilangkan Optic Disk
53
selanjutnya citra dengan format RGB akan dikonversi kedalam grayscale dan
green channel. Citra Grayscale digunakan untuk mendeteksi perbatasan tepi
retina dan mask optical disk (penutup optic disk). Green Channel digunakan
untuk menemukan garis tepi (border) kemudian menghapus perbatasan
melingkar yang berfungsi mengisi daerah kecil yang tertutup. Daerah yang
lebih besar akan dihapus dan diterapkan dengan logika AND untuk
menghapus exudate. Karena tanda awal pada microaneurysms adalah berupa
fitur gelap. Penghapusan exudate merupakan salah satu cara pemisahan fitur
terang dan gelap. Pembuluh darah dan optic disk selanjutnya dihapus agar
didapatkan microaneurysms.
Gambar 3.12 Contoh proses deteksi microaneurysms pada fundus mata
4. Ekstraksi Fitur
Fitur merupakan informasi unik yang dimiliki oleh citra. Fitur berguna
untuk menentukan karakteristik dari citra untuk kepentingan clustering citra
fundus mata. Dalam penelitian ini menggunakan 3 jenis fitur. 3 fitur didapatkan
dari ekstraksi jumlah pixel pada blood vessels, exudates dan microaneurysms.
Nilai hasil ekstraksi fitur nantinya akan digunakan sebagai parameter dalam
ujicoba data testing.
54
Sebanyak 100 citra diekstraksi untuk mendapatkan 3 fitur yang spesifik
untuk menjadi data training program yang berguna untuk data acuan program
dalam menentukan apakan fundus mata tersebut terindentifikasi Normal, Mild
NPDR, Moderate NPDR, atau Severe NPDR.
Tabel 3.1 Ekstrasi fitur pada data training No Exudates Microaneurysms Blood Vessels No Exudates Microaneurysms Blood Vessels 1 0 126 20996 51 95 104 16596 2 12 53 17554 52 80 200 18198 3 0 57 17274 53 3 53 22722 4 0 46 23257 54 0 150 24116 5 0 55 22379 55 0 24 21404 6 77 83 19419 56 0 89 23263 7 106 55 19064 57 197 239 20111 8 0 22 19798 58 65 156 15968 9 0 104 19365 59 0 65 18193
10 0 37 17315 60 0 14 16245 11 0 26 14862 61 101 40 13321 12 91 35 14694 62 0 15 13382 13 0 82 18256 63 5 41 17643 14 0 30 8200 64 0 34 21968 15 0 99 21140 65 0 49 23647 16 0 15 20962 66 100 43 20470 17 0 33 16211 67 60 139 21451 18 530 276 15915 68 0 40 21600 19 86 15 20261 69 0 109 21452 20 139 85 21651 70 0 72 19728 21 0 58 20475 71 52 86 18684 22 0 36 19737 72 58 22 15772 23 262 149 20306 73 0 71 16342 24 100 262 18621 74 393 11 12594 25 37 606 32639 75 83 19 12126 26 1452 267 31338 76 0 45 20620 27 0 122 24563 77 0 77 16622 28 490 118 23958 78 0 0 4249 29 494 131 26114 79 0 40 6443 30 67 47 4588 80 14 166 16439 31 1168 173 22442 81 0 175 17183 32 688 218 19598 82 0 30 19659 33 2 55 20828 83 6 74 22014 34 0 89 18295 84 903 50 18983 35 0 27 22907 85 126 81 18355 36 0 25 23189 86 0 109 13220 37 205 53 24714 87 0 117 14811 38 89 214 25010 88 57 31 27548 39 11 82 13590 89 130 113 27908 40 2 79 10303 90 0 86 18547 41 0 18 11477 91 189 50 19401 42 5 23 14525 92 0 14 18072 43 71 68 23923 93 0 72 18901 44 7 111 25163 94 0 56 10302 45 9 178 12634 95 0 55 17920 46 2 162 19187 96 83 215 27288
55
47 0 99 18797 97 7 279 26837 48 7 204 15997 98 0 36 16304 49 0 7 5681 99 48 94 6420 50 0 45 6047 100 0 65 21644
5. Clustering Fitur Diabetic Retinopathy
Inti dari aplikasi terdapat pada bagian ini dikarenakan setelah proses
dilakukan akan menghasilkan citra keluaran yang telah di clustering. Proses
clustering ini menggunakan citra hasil keluaran dari proses pre-processing
sebagai masukan (input).
Metode fuzzy K-Means pertama kali diperkenalkan oleh Jim Bezdek pada
tahun 1981. Pengelompokan dengan mempertibangkan tingkat keanggotaan
yang mencakup himpunan fuzzy sebagai dasar pembobotan bagi pengelompokan
disebut dengan fuzzy clustering. Metode fuzzy K-Means clustering merupakan
pengembangan dari metode K-Means clustering untuk meminimalkan masalah
kegagalan konvergen. Konvergen memiliki sifat mengumpulkan, serta bersifat
menuju satu titik pertemuan dan bersifat memusat.
Berikut ini adalah langkah-langkah dari fuzzy K-Means, sebagai berikut:
a. Inisiasikan nilai pada beberapa komponen, sebagai berikut:
§ Banyaknya cluster yang diinginkan = c
§ Pangkat (pembobot) = m
§ Maksimum iterasi = maxIter
§ Error terkecil = e
b. Menentukan derajat keanggotaan secara acak
c. Menentukan pusat cluster pada kondisi awal
d. Hitunglah pusat cluster menggunakan rumus
56
e. Hitunglah fungsi keanggotaan mengunakan rumus
f. Hitunglah fungsi objektif pada iterasi mengunakan rumus
3.4.3 Perancangan Antar Muka
Untuk mempermudah penguna, maka perlu dibuat form antarmuka
(interface). Interface merupakan salah satu bagian terpenting dari sistem.
Interface memiliki arti, yaitu sistem yang dirancang untuk mengolah input dan
output dari data. Semua input dan output tersebut dirancang sedemikian rupa
sehingga menghasilkan hasil yang sederhana dan jelas, serta dapat
dimanfaatkan langsung ataupun diolah kembali oleh pengguna. Interface juga
harus bersifat user friendly, yang dimaksud dengan user friendly ialah interface
atau aplikasi yang memiliki kemampuan mudah dioperasikan dan tidak boleh
terlalu penyulitkan penguna (user) dikarenakan fitur-fitur yang terlalu
berlebihan. Selanjutnya akan ditampilkan rancangan antarmuka aplikasi,
sebagai berikut:
57
Gambar 3.13 Rancangan antarmuka aplikasi
Pada form di atas terdapat tombol ‘Cari’ itu digunakan untuk mencari file
yang akan menjadi citra masukan, file citra retina yang dibuka akan
ditampilkan pada axes1 beserta nama dari file tersebut. File citra retina tersebut
berformat *.tif. Selanjutnya tombol ‘Deteksi’ yaitu untuk menjalankan
klasifikasi fitur diabetic retinopathy secara keseluruhan. Seletah proses selesai,
hasil citra keluaran akan ditampilkan pada axes3 beserta deteksi penyakit,
apakah citra retina itu normal atau terkena penyakit diabetic retinopathy. Pada
bagian etraksi fitur terdapat axes4, axes5, axes6, dan axes7 yang berfungsi
untuk menampilkan proses yang terjadi pada citra retina. Serta pada tombol
‘View’ jika di-klik akan muncul jendela baru, di dalam jendela baru itu akan
muncul image dalam ukuran besar dan juga dapat melakukan proses
menyimpan data image yang telah diproses.
BAB IV
HASIL DAN PEMBAHASAN
Pada bab ini dijelaskan mengenai rangkaian uji coba dan evaluasi terhadap
penelitihan yang telah dilakukan. Implementasi berupa fungsi-fungsi atau source
code untuk proses clustering fitur diabetic retinopathy mulai dari tahap awal
hingga akhir. Uji coba ditujuan untuk melihat sejauh mana keberhasilan dari
implementasi perangkat lunak (software) ini dan evaluasi dilakukan dengan cara
analisa terhadap hasil dari uji coba serta untuk mendapatkan kesimpulan dan saran
untuk pengembangan kedepannya bagi implementasi aplikasi perangkat lunak ini.
4.1 Lingkungan Implementasi
Proses pembangunan komponen-komponen pokok sebuah sistem
berdasarkan desain yang sudah dibuat itu disebut implementasi. Implementasi
sistem adalah sebuah proses pembuatan dan penerapan sistem secara utuh baik
dari sisi pengkat keras (hardware) maupun perangkat lunaknya (software).
Implementasi ini terdapat lingkungan perangkat keras dan lingkungan perangkat
lunak. Spesifikasi dari perangkat keras dan perangkat lunak yang dipergunakan
dalam uji coba ini, sebagai berikut:
Tabel 4.1 Lingkungan uji coba No. Jenis Perangkat Spesifikasi
1.
2.
3.
4.
5.
Laptop
Prosesor
Memory
Sistem Opetasi (OS)
Perangkat Pengembang
GOODWIN Estima W900 Series
Prosessor Intel Pentium Dual
CPU T2370 1.75GHz
2048MB
Windows XP Professional
Matlab R2008a
58
59
4.2 Penjelasan Program
Pada subbab ini akan menjelaskan mengenai alur pembuatan dan kegunaan
program yang dibuat beserta tampilan desain dari program tersebut. Berikut ini
adalah tampilan-tampilan pada halaman dalam program, sebagai berikut:
4.2.1 Proses Menampilkan Halaman Utama
Halaman Utama adalah halaman yang pertama kali diakses oleh
pengguna. Melalui halaman ini semua tahapan clustering dilakukan, mulai dari
input image, proses clustering citra, hingga proses penyimpanan citra hasil
klasifikasi.
Gambar 4.1 Tampilan form halaman utama
Pada tampilan form halaman utama ini pada bagian atas terdapat judul
atau nama aplikasi yang dibuat. Pada bagian atas sebelah kiri terdapat beberapa
tombol yang digunakan dalam proses ekstraksi citra, yaitu tombol ‘Cari’ yang
60
digunakan untuk membuka file citra dari drive komputer dan tombol ‘Deteksi’
yang digunakan untuk melakukan ekstraksi pada citra input. Selanjutnya pada
bagian bawah sebelah kiri terdapat tombol ‘View’ yang dipergunakan untuk
melihat hasil citra image dalam ukuran besar serta berfungsi untuk menyimpan
citra image yang telah melalui proses clustering citra.
4.2.2 Proses Input Citra
Sebelum proses ekstraksi dilakukan, hal pertama yang dilakukan adalah
input image, yaitu proses pengambilan file citra digital fundus mata dari drive
komputer yang akan diekstraksi. Citra yang di-input-kan akan dimasukkan ke
axes yang pertama atau sebelah kiri atas yang selanjutnya akan di proses pada
langkah berikutnya. Tampilan form input image dapat dilihat pada gambar
berikut ini.
Gambar 4.2 Proses input citra
61
Setelah halaman utama keluar, seoarang user (pengguna) dapat
melakukan input citra yang akan diklasifikasi dengan cara menekan tombol
‘Cari’, setelah itu file citra yang input akan muncul pada bagian axes1 pada
sebelah kiri atas form utama. Di bawah gambar input citra retina terdapat
keterangan nama dari file citra yang diambil, itu berguna untuk mempermudah
user untuk mengetahui file data apa yang sedang diproses. Berikut ini
merupakan sourcecode program pada proses pengambilan input citra retina.
function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; proyek=guidata(gcbo); [namafile,direktori]=uigetfile({'*.tif';'*.bmp';'*.png';'*.jpg'}, 'Buka Gambar') if isequal(namafile,0) return; end eval(['cd ''' direktori ''';']); I=imread(namafile);
set(proyek.namafile,'String',''); set(proyek.classtextbox,'String',''); set(proyek.panelhsi,'visible','off'); set(proyek.panelblood,'visible','off'); set(proyek.panelexudates,'visible','off'); set(proyek.panelmicro,'visible','off');
axes(handles.axes6) cla reset axis off axes(handles.axes2) cla reset axis off axes(handles.axes3) cla reset axis off axes(handles.axes4) cla reset axis off cla reset axis off axes(handles.axes7) cla reset axis off
info=imfinfo(namafile); set(proyek.namafile,'String',info.Filename); guidata(hObject,handles); set(proyek.figure1,'CurrentAxes',proyek.axes1); imshow(I); set(proyek.axes1,'Userdata',I); set(proyek.figure1,'Userdata',I); setappdata(handles.figure1,'img',I);
62
4.2.3 Proses Pre-processing
Setelah proses input citra atau ambil citra, selanjutnya yang dilakukan
adalah proses pre-processing. Pada tahap pre-processing ini memiliki beberapa
tahapan diantaranya konversi RGB menjadi HSI hal ini dilakukan untuk
mempersiapkan citra. Berikut ini adalah penjelasan dari masing-masing
tahapan pre-processing beserta sourcecode program:
a. Konversi citra RGB menjadi HSI
Setelah file di-input-kan, citra tersebut dikoversi menjadi citra HSI
(Hue, Saturation, Intensity). Citra retina yang diterima adalah citra
berwarna, sehingga terlebih dahulu melalui proses konversi menjadi HSI.
Berikut ini adalah cuplikan soucecode dari proses konversi menjadi HSI:
%% RGB ke HSI %% set(proyek.classtextbox,'string','RGB to HSI..'); pause(0.1) %to display the text F=im2double(I); r=F(:,:,1); g=F(:,:,2); b=F(:,:,3); th=acos((0.5*((r-g)+(r-b)))./((sqrt((r-g).^2+(r-b).*(g-b)))+eps)); H=th; H(b>g)=2*pi-H(b>g); H=H/(2*pi); S=1-3.*(min(min(r,g),b))./(r+g+b+eps); A=(r+g+b)/3; hsi=cat(3,H,S,A);
Grayscale = rgb2gray (I); %converting the fundus image (RGB) to grayscale Grayscale_brighten = imadjust(Grayscale); set(proyek.figure1,'CurrentAxes',proyek.axes6); imshow(hsi); axis tight set(proyek.axes1,'Userdata',I); set(proyek.figure1,'Userdata',I); set(proyek.panelhsi,'visible','on');
select_image = I;
63
4.2.4 Proses Segmentasi
a. Menghilangkan pembuluh darah (blood vessels)
Setelah proses konversi menjadi HSI, langkah selanjutnya adalah
menghilangkan blood vessels (pembuluh darah). Itu bertujuan untuk
mempermudah dalam mendeteksi penyakit pada mata sehingga penyakit
dapat telihat lebih jelas. Berikut ini adalah cuplikan soucecode dari proses
penghilangan blood vessels:
b. Deteksi awal exudates
Setelah menghilangkan pembuluh darah, langkah selanjutnya adalah
mendeteksi adanya exudates. Exudates ialah kerusakan akibat diabetic
retinopathy berupa bercak kecil berwarna putih kekuning-kuningan. Berikut
ini adalah cuplikan soucecode dari proses deteksi awal exudates:
c. Deteksi awal microaneurysm
Setelah deteksi awal exudates, langkah selanjutnya adalah mendeteksi
adanya microaneurysm. Microaneurysm ialah titik merah kecil antara
pembuluh darah retina. Berikut ini adalah cuplikan soucecode dari proses
deteksi awal microaneurysm:
%% Exudates %% set(handles.classtextbox,'string','Processing EX..'); pause(0.1) %to display the text [EX_area EX_image] = function_EX (select_image); axes(handles.axes3); axis tight imshow(EX_image),zoom on;
%% Blood Vessels %% set(handles.classtextbox,'string','Analyzing BV..'); pause(0.1) %to display the text [BV_area BV_image] = function_BV (select_image); axes(handles.axes2); imshow(BV_image),zoom on; axis tight
64
4.2.5 Proses Ekstraksi Fitur
Ekstraksi fitur berguna untuk menentukan karakteristik dari citra untuk
kepentingan clustering citra. 3 fitur didapatkan dari ekstraksi jumlah pixel pada
blood vessels, exudates dan microaneurysms.
Sebanyak 130 citra diekstraksi untuk mendapatkan 3 fitur yang spesifik.
Terdiri dari 100 adalah data training dan 30 adalah data testing. Terbagi atas 14
citra fundus mata teridentifikasi Normal, 45 citra fundus mata teridentifikasi
Mild NPDR, 6 citra fundus mata teridentifikasi Moderate NPDR, dan 65 citra
fundus mata teridentifikasi Severe NPDR.
Tabel 4.2 Range fitur blood vessels Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 7189.93 6431.5 4249 11477 Mild NPDR 45 16259.16 16622 12126 18547 Moderate NPDR 6 26127.5 26196 24563 27548 Severe NPDR 65 21823.72 20983 18614 32639
TOTAL 130
Gambar 4.3 Sebaran nilai blood vessels
11477
18547
27548
32639
4249
12126
24563
18614
6431.5
16622
26196
20983
0
5000
10000
15000
20000
25000
30000
35000
Normal Mild Moderate Severe
%% Microaneurysms %% set(handles.classtextbox,'string','Processing MIC..'); pause(0.1) %to display the text [MIC_area MIC_image] = function_MIC (select_image);
65
Tabel 4.3 Range fitur exudates Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 29 48 0 153 Mild NPDR 45 39.98 72.5 0 530 Moderate NPDR 6 62.67 57 0 205 Severe NPDR 65 124.25 86 0 1452
TOTAL 130
Gambar 4.4 Sebaran nilai exudates
Tabel 4.4 Range fitur microaneurysms Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 52.57 42.5 0 153 Mild NPDR 45 65.84 68 0 276 Moderate NPDR 6 70.67 80 0 122 Severe NPDR 65 101.17 78.5 0 966
TOTAL 130
Gambar 4.5 Sebaran nilai microaneurysms
153
530
205
1452
0 0 0 048 72.5 57 86
0
200
400
600
800
1000
1200
1400
1600
Normal Mild Moderate Severe
153
276
122
966
0 0 0 042.5 68 80 78.5
0
200
400
600
800
1000
1200
Normal Mild Moderate Severe
66
4.2.6 Proses Clustering Fitur Diabetic Retinopathy
Bagian inti dari penelitihan ini terletak pada proses clustering fitur
diabetic retinopathy. Proses clustering merupakan proses inti/utama dari
aplikasi, yaitu clustering fitur diabetic retinopathy pada citra digital fundus
mata menggunakan metode fuzzy K-Means. Sebelum tahapan clustering maka
terlebih dahulu melalui proses iterasi sebanyak 100 kali. Di bawah ini adalah
sourcecode untuk peng-cluster-an dengan fuzzy K-Means, sebagai berikut:
fuzzykmeans.m function [U, centroid, dist, W, obj] = fuzme (nclass,data,U,phi,maxiter,distype,toldif)
% fuzzy k-means printing=0; if(phi<=1), phi=1.01, end;
ndata = size(data, 1); % jumlah data ndim = size(data, 2); % jumlah dimensi centroid=zeros(nclass,ndim); dist=zeros(ndata,nclass);
% memeriksa jenis jarak if(distype==1) % euclidean W=eye(ndim); elseif(distype==2) % diagonal W=eye(ndim).*cov(data); elseif(distype==3) % mahalanobis W=inv(cov(data)); end
nclass=4; % jumlah class (cluster) phi=2; % fuzzy exponent > 1 maxiter=100; % iterasi maksimal toldif=0.0000001; % kriteria konvergensi distype=1; % Jenis jarak: 1 = euclidean, 2 = diagonal, 3 = mahalanobis scatter=0.2; % menyebar di sekitar keanggotaan awal
ndata = size(Data, 1); % jumlah data Uinit= initmember(scatter,nclass,ndata); [U,centroid,dist,W,obj] = fuzzykmeans (nclass,Data,Uinit,phi,maxiter,distype,toldif); U=U';
% output: % U = membership matrix % centroid = centroid centroid(nclass, ndim) % dist = distance matrix dist(ndata,nclass) % W = distance norm matrix % obj = objective function
67
Euclidean distance adalah perhitungan jarak dari 2 buah titik dalam satu
area. Diagonal distance adalah menghitung jarah yang memiliki delapan arah
gerak (dapat bergerak diagonal). Mahalanobis distance adalah menghitung jarak
proporsi jumlah ketidaksesuaian sebuah pengamatan terhadap rata-rata proporsi
dari seluruh pengamatan untuk setiap variabel.
obj=0; uphi = U.^phi;
for i = 1:maxiter,
% menghitung centroid (titik pusat) c1=uphi'*data; t1=sum(uphi)'; t1=t1(:,ones(ndim,1)); centroid=c1./t1;
% menghitung jarak dari data ke centroid if(distype==1), % jarak euclidean dist=euclidean(data, centroid); else, dist = sqrt(mahalanobis(data, centroid, W)); end;
% menyimpan iterasi sebelumnya U_old=U; obj_old=obj;
% menghitung matriks keanggotaan baru tmp = dist.^(-2/(phi-1)); t1=sum(tmp')'; t2=t1(:,ones(nclass,1)); U = tmp./t2; uphi = U.^phi;
% menghitung objective function o1=(dist.^2).*uphi; obj = sum(sum(o1'));
% memeriksa konvergensi dif=(obj_old-obj); difU=sqrt((U - U_old).*(U - U_old)); Udif=sum(sum(difU)); if printing==1, fprintf('Iteration = %d, obj. fcn = %f. diff = %f\n', i, obj, Udif); end if and(dif<toldif,Udif < toldif), break; end, end
68
4.2.6 Proses Tampilan Hasil Citra
Setelah input citra melalui tahapan proses clustering, hasil citra akan
ditampilkan pada form utama, sebagai berikut:
Gambar 4.6 Tampilan hasil pada form utama
Seperti yang terlihat pada gambar citra hasil, setelah melalui proses
clustering, hasil proses akan ditampilkan pada axes3 yang terletak di kiri
bawah. Berikut ini adalah soucecode dari hasil clustering:
[c,i]=sort(centroid(:,2)); [DT, II] = max(U); f=[i]; outc=II(:,101); out=find(f==outc); if out == 1; class = 'Normal'; elseif out == 2; class = 'Mild NPDR'; elseif out == 3; class = 'Moderate NPDR'; elseif out == 4; class = 'Severe NPDR'; end % Hasil=[Nlise_EX, Nlise_MIC, Nlise_BV, out]; % setappdata(handles.figure1,'Hasil',Hasil);
69
4.2.7 Fungsi Pendukung
Berikut ini adalah soucecode dari fungsi pendukung lain yang ada di
dalam form utama aplikasi fitur diabetic retinopathy. Fungsi pendukung ini
digunakan untuk melengkapi tampilan yang ada di form utama sehingga
mempermudah dalam menjalankan aplikasi tersebut. Fungsi pendukung ini
berbentuk sebuah tombol, sebagai berikut:
a. Sourecode dari form Utama dan tombol ‘Cari’
function varargout = Ratinopathy_soft(varargin) % GUI_FM M-file for GUI_fm.fig % GUI_FM, by itself, creates a new GUI_FM or raises the existing % singleton*. % % H = GUI_FM returns the handle to a new GUI_FM or the handle to % the existing singleton*. % % GUI_FM('Property','Value',...) creates a new GUI_FM using the % given property value pairs. Unrecognized properties are passed via % varargin to GUI_fm_OpeningFcn. This calling syntax produces a % warning when there is an existing singleton*. % % GUI_FM('CALLBACK') and GUI_FM('CALLBACK',hObject,...) call the % local function named CALLBACK in GUI_FM.M with the given input % arguments. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help GUI_fm % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Ratinopathy_soft_OpeningFcn, ... 'gui_OutputFcn', @Ratinopathy_soft_OutputFcn, ... 'gui_LayoutFcn', [], ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
70
b. Sourecode dari fungsi tombol ‘Deteksi’
% hObject handle to analyzepushbutton (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %============================================================== % Run the analyze and display results/images upon pushing button %============================================================== global selection_value; proyek=guidata(gcbo); I=get(proyek.axes1,'Userdata'); if isequal(I,[]) msgbox('CARI GAMBAR DULU','Peringatan','warn'); else set(proyek.classtextbox,'string','RGB to HSI..'); pause(0.1) %to display the text F=im2double(I); r=F(:,:,1); g=F(:,:,2); b=F(:,:,3); th=acos((0.5*((r-g)+(r-b)))./((sqrt((r-g).^2+(r-b).*(g-b)))+eps)); H=th; H(b>g)=2*pi-H(b>g); H=H/(2*pi); S=1-3.*(min(min(r,g),b))./(r+g+b+eps); A=(r+g+b)/3; hsi=cat(3,H,S,A); Grayscale = rgb2gray (I); %converting the fundus image (RGB) to grayscale Grayscale_brighten = imadjust(Grayscale); set(proyek.figure1,'CurrentAxes',proyek.axes6); imshow(hsi); axis tight set(proyek.axes1,'Userdata',I); set(proyek.figure1,'Userdata',I); set(proyek.panelhsi,'visible','on'); select_image = I;
% --- Executes just before GUI_fm is made visible. function Ratinopathy_soft_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin unrecognized PropertyName/PropertyValue pairs from the % command line (see VARARGIN) % Choose default command line output for GUI_fm handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes GUI_fm wait for user response (see UIRESUME) % uiwait(handles.figure1); %======================================== %display the first image when opening GUI %========================================
71
%% Blood vessels %% set(handles.classtextbox,'string','Analyzing BV..'); pause(0.1) %to display the text [BV_area BV_image] = function_BV (select_image); axes(handles.axes2); imshow(BV_image),zoom on; axis tight set(proyek.panelblood,'visible','on'); %% Exudates %% set(handles.classtextbox,'string','Processing EX..'); pause(0.1) %to display the text [EX_area EX_image] = function_EX (select_image); axes(handles.axes3); axis tight imshow(EX_image),zoom on; set(proyek.panelexudates,'visible','on'); %% Microaneurysms %% set(handles.classtextbox,'string','Processing MIC..'); pause(0.1) %to display the text [MIC_area MIC_image] = function_MIC (select_image); axes(handles.axes4); axis tight imshow(MIC_image),zoom on; set(proyek.panelmicro,'visible','on'); D=logical(MIC_image); gbr_asli_gabung = imresize(select_image, [576 720]); gbr_asli_gabung(D)=0; % --- utk simpan 3 --- handles.hasil_tepi_gabung = gbr_asli_gabung; handles.tampil_tepi_gabung = handles.hasil_tepi_gabung; guidata(hObject,handles); axes(handles.axes7); set(proyek.figure1,'CurrentAxes',proyek.axes7); imshow(gbr_asli_gabung); set(proyek.axes7,'Userdata',gbr_asli_gabung); set(proyek.figure1,'Userdata',gbr_asli_gabung); % set(handles.text13,'string','Citra Gabung'); %% Texture Analysis %% [TEXT_GreenX2_value TEXT_HisX2_image] = function_TEXTURE (select_image); [HOMO_value] = function_HOMO (select_image); set(handles.classtextbox,'string','Processing FCM..'); pause(0.1) %to display the text Nlise_Cw = Cw_area; % Perkiraan Tambahan untuk cottonwool Nlise_HOMO = HOMO_value; Nlise_TT = TEXT_GreenX2_value; Nlise_BV = BV_area Nlise_EX = EX_area Nlise_MIC = MIC_area %input_data/data uji Nlise_selected = [Nlise_EX, Nlise_MIC, Nlise_BV]; % (jika tanpa tanda ; maka data yang sedang di run akan keluar nilai sesuai susunan di atas) load Nlise_Training; % Data Training
72
c. Sourecode dari tombol ‘View’
function pushbutton12_Callback(hObject, eventdata, handles) % hObject handle to pushbutton12 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); try A=get(proyek.axes7,'Userdata'); imview(A) catch errordlg('BELUM ADA HASIL IDENTIFIKASI','ERROR') end
Data = [Nlise_Training; Nlise_selected]; % Panjang Data [m, n] = size(Data); %% Pengclusteran dengan FKM nclass=7; % number of class phi=2; % fuzzy exponent > 1 maxiter=100; % maximum iterations toldif=0.0000001; % convergence criterion distype=1; % distance type: 1 = euclidean, 2 = diagonal, 3 = mahalanobis scatter=0.2; % scatter around initial membership ndata = size(Data, 1); % number of data Uinit= initmember(scatter,nclass,ndata); [U,centroid,dist,W,obj] = fuzzykmeans(nclass,Data,Uinit,phi,maxiter,distype,toldif); U=U'; % output: % U = membership matrix % centroid = centroid centroid (nclass, ndim) % dist = distance matrix dist (ndata, nclass) % W = distance norm matrix % obj = objective function c,i]=sort(centroid(:,2)); [DT, II] = max(U); f=[i]; outc=II(:,101); out=find(f==outc); if out == 1; class = 'Normal'; elseif out == 2; class = 'Mild NPDR'; elseif out == 3; class = 'Moderate NPDR'; elseif out == 4; class = 'Severe NPDR'; end % Hasil=[Nlise_EX, Nlise_MIC, Nlise_BV, out]; % setappdata(handles.figure1,'Hasil',Hasil); %% display Classification %% set(handles.classtextbox,'string',class); end
73
4.3 Uji Coba
Proses pengujian aplikasi dilakukan dengan cara membandingkan hasil
clustering pada citra diabetic retinopathy yang diperoleh dari hasil clustering
program pada citra diabetic retinopathy secara manual.
Dari proses hasil klasifikasi tersebut, aplikasi akan mendeteksi ada atau
tidaknya bercak pada setiap sampel. Hasilnya akan dihitung sehingga diketahui
berapakah presentase sampel yang berhasil dideteksi oleh aplikasi.
Selanjutnya dari hasil clustering tersebut, baik hasil clustering program
maupun hasil clustering manual, akan dihitung berapa jumlah bercak yang
terdeteksi pada masing-masing sampel. Hasil dari perhitungan itu, kemudian
dibandingkan berapakah presentase bercak yang dapat terdeteksi oleh program
terhadap hasil clustering secara manual.
Pengujian bermula dengan melakukan segmentasi terhadap 100 sampel data
training dilanjutkan 30 sampel data testing. Hasil clustering akan didapatkan citra
hasil proses clustering beserta informasi ada atau tidaknya bercak pada uji citra.
Hasil pendeteksiannya adalah sebagai berikut:
Tabel 4.5 Hasil deteksi diabetic retinopathy pada data training
No Sampel Nama Gambar Sampel Deteksi Diabetic Retinopaty
Perbandingan Kesesuaian Hasil
Klasifikasi Manual
Klasifikasi Program
1 20051019_38557_0100_PP.tif Severe Severe Cocok
2 20051019_38557_0100_PP.tif Mild Mild Cocok
3 20051020_43832_0100_PP.tif Mild Mild Cocok
4 20051020_43882_0100_PP.tif Severe Severe Cocok
5 20051020_43906_0100_PP.tif Severe Severe Cocok
6 20051020_44261_0100_PP.tif Severe Severe Cocok
7 20051020_44284_0100_PP.tif Severe Severe Cocok
8 20051020_44338_0100_PP.tif Severe Severe Cocok
9 20051020_44349_0100_PP.tif Severe Severe Cocok
74
10 20051020_44400_0100_PP.tif Mild Mild Cocok
11 20051020_44431_0100_PP.tif Mild Mild Cocok
12 20051020_44598_0100_PP.tif Mild Mild Cocok
13 20051020_44636_0100_PP.tif Mild Mild Cocok
14 20051020_44692_0100_PP.tif Normal Normal Cocok
15 20051020_44714_0100_PP.tif Severe Severe Cocok
16 20051020_44762_0100_PP.tif Severe Severe Cocok
17 20051020_44782_0100_PP.tif Mild Mild Cocok
18 20051020_44843_0100_PP.tif Mild Mild Cocok
19 20051020_44901_0100_PP.tif Severe Severe Cocok
20 20051020_44923_0100_PP.tif Severe Severe Cocok
21 20051020_44982_0100_PP.tif Severe Severe Cocok
22 20051020_45004_0100_PP.tif Severe Severe Cocok
23 20051020_45050_0100_PP.tif Severe Severe Cocok
24 20051020_45068_0100_PP.tif Severe Severe Cocok
25 20051020_45110_0100_PP.tif Severe Severe Cocok
26 20051020_45137_0100_PP.tif Severe Severe Cocok
27 20051020_52801_0100_PP.tif Moderate Moderate Cocok
28 20051020_53062_0100_PP.tif Severe Severe Cocok
29 20051020_53178_0100_PP.tif Severe Severe Cocok
30 20051020_53997_0100_PP.tif Normal Normal Cocok
31 20051020_54209_0100_PP.tif Severe Severe Cocok
32 20051020_55346_0100_PP.tif Severe Severe Cocok
33 20051020_55701_0100_PP.tif Severe Severe Cocok
34 20051020_56592_0100_PP.tif Mild Mild Cocok
35 20051020_56791_0100_PP.tif Severe Severe Cocok
36 20051020_57157_0100_PP.tif Severe Severe Cocok
37 20051020_57566_0100_PP.tif Moderate Moderate Cocok
38 20051020_57622_0100_PP.tif Severe Severe Cocok
39 20051020_57761_0100_PP.tif Mild Mild Cocok
40 20051020_57844_0100_PP.tif Normal Normal Cocok
41 20051020_57967_0100_PP.tif Normal Normal Cocok
42 20051020_58065_0100_PP.tif Mild Mild Cocok
43 20051020_58214_0100_PP.tif Severe Severe Cocok
44 20051020_58276_0100_PP.tif Moderate Moderate Cocok
45 20051020_61557_0100_PP.tif Mild Mild Cocok
46 20051020_61757_0100_PP.tif Severe Severe Cocok
47 20051020_61804_0100_PP.tif Severe Severe Cocok
48 20051020_61907_0100_PP.tif Mild Mild Cocok
75
49 20051020_61998_0100_PP.tif Normal Normal Cocok
50 20051020_62014_0100_PP.tif Normal Normal Cocok
51 20051020_62337_0100_PP.tif Mild Mild Cocok
52 20051020_62385_0100_PP.tif Mild Mild Cocok
53 20051020_62461_0100_PP.tif Severe Severe Cocok
54 20051020_62510_0100_PP.tif Severe Severe Cocok
55 20051020_62577_0100_PP.tif Severe Severe Cocok
56 20051020_62615_0100_PP.tif Severe Severe Cocok
57 20051020_62709_0100_PP.tif Severe Severe Cocok
58 20051020_62802_0100_PP.tif Mild Mild Cocok
59 20051020_62878_0100_PP.tif Mild Mild Cocok
60 20051020_63045_0100_PP.tif Mild Mild Cocok
61 20051020_63141_0100_PP.tif Mild Mild Cocok
62 20051020_63269_0100_PP.tif Mild Mild Cocok
63 20051020_63337_0100_PP.tif Mild Mild Cocok
64 20051020_63711_0100_PP.tif Severe Severe Cocok
65 20051020_63829_0100_PP.tif Severe Severe Cocok
66 20051020_63936_0100_PP.tif Severe Severe Cocok
67 20051020_64007_0100_PP.tif Severe Severe Cocok
68 20051020_64249_0100_PP.tif Severe Severe Cocok
69 20051020_64388_0100_PP.tif Severe Severe Cocok
70 20051020_64518_0100_PP.tif Severe Severe Cocok
71 20051020_64570_0100_PP.tif Severe Severe Cocok
72 20051020_64653_0100_PP.tif Mild Mild Cocok
73 20051020_64703_0100_PP.tif Mild Mild Cocok
74 20051020_64775_0100_PP.tif Mild Mild Cocok
75 20051020_64836_0100_PP.tif Mild Mild Cocok
76 20051020_64945_0100_PP.tif Severe Severe Cocok
77 20051020_64993_0100_PP.tif Mild Mild Cocok
78 20051020_65166_0100_PP.tif Normal Normal Cocok
79 20051020_65230_0100_PP.tif Normal Normal Cocok
80 20051021_36097_0100_PP.tif Mild Mild Cocok
81 20051021_36208_0100_PP.tif Mild Mild Cocok
82 20051021_36380_0100_PP.tif Severe Severe Cocok
83 20051021_36476_0100_PP.tif Severe Severe Cocok
84 20051021_39222_0100_PP.tif Severe Severe Cocok
85 20051021_39314_0100_PP.tif Mild Mild Cocok
86 20051021_39482_0100_PP.tif Mild Mild Cocok
87 20051021_39552_0100_PP.tif Mild Mild Cocok
76
88 20051021_39661_0100_PP.tif Moderate Moderate Cocok
89 20051021_39719_0100_PP.tif Severe Severe Cocok
90 20051021_39845_0100_PP.tif Mild Mild Cocok
91 20051021_39914_0100_PP.tif Severe Severe Cocok
92 20051021_40018_0100_PP.tif Mild Mild Cocok
93 20051021_40074_0100_PP.tif Severe Severe Cocok
94 20051021_40180_0100_PP.tif Normal Normal Cocok
95 20051021_40248_0100_PP.tif Mild Mild Cocok
96 20051021_40377_0100_PP.tif Severe Severe Cocok
97 20051021_40450_0100_PP.tif Severe Severe Cocok
98 20051021_51418_0100_PP.tif Mild Mild Cocok
99 20051021_51476_0100_PP.tif Normal Normal Cocok
100 20051021_51476_0100_PP.tif Severe Severe Cocok
Tabel 4.6 Hasil deteksi diabetic retinopathy pada data testing
No Sampel Nama Gambar Sampel Deteksi Diabetic Retinopaty
Perbandingan Kesesuaian Hasil
Klasifikasi Manual
Klasifikasi Program
1 20051021_59589_0100_PP.tif Normal Normal Cocok
2 20051213_61406_0100_PP.tif Moderate Mild Tidak Cocok
3 20051213_61802_0100_PP.tif Mild Mild Cocok
4 20051213_61892_0100_PP.tif Moderate Moderate Cocok
5 20051213_61951_0100_PP.tif Severe Severe Cocok
6 20051213_62046_0100_PP.tif Mild Mild Cocok
7 20051213_62188_0100_PP.tif Mild Mild Cocok
8 20051213_62251_0100_PP.tif Mild Mild Cocok
9 20051213_62314_0100_PP.tif Mild Mild Cocok
10 20051213_62437_0100_PP.tif Severe Severe Cocok
11 20051213_62518_0100_PP.tif Mild Mild Cocok
12 20051213_62572_0100_PP.tif Severe Severe Cocok
13 20051213_62648_0100_PP.tif Normal Normal Cocok
14 20051213_62705_0100_PP.tif Normal Normal Cocok
15 20051214_40361_0100_PP.tif Severe Severe Cocok
16 20051214_40456_0100_PP.tif Severe Severe Cocok
17 20051214_40529_0100_PP.tif Severe Severe Cocok
18 20051214_40596_0100_PP.tif Moderate Moderate Cocok
19 20051214_40719_0100_PP.tif Mild Mild Cocok
20 20051214_40767_0100_PP.tif Severe Severe Cocok
21 20051214_40849_0100_PP.tif Mild Mild Cocok
22 20051214_40912_0100_PP.tif Severe Normal Tidak Cocok
77
23 20051214_40994_0100_PP.tif Severe Severe Cocok
24 20051214_41055_0100_PP.tif Severe Severe Cocok
25 20051214_41289_0100_PP.tif Severe Severe Cocok
26 20051214_41358_0100_PP.tif Mild Mild Cocok
27 20051214_41429_0100_PP.tif Severe Severe Cocok
28 20051214_41490_0100_PP.tif Severe Severe Cocok
29 20051214_41582_0100_PP.tif Moderate Severe Tidak Cocok
30 20051214_41949_0100_PP.tif Severe Severe Cocok
Pada tabel 4.5 dan 4.6 menunjukan perbandingan antara hasil proses
pendeteksian clustering manual dengan hasil proses pendeteksian clustering
program. Dari 130 buah sempel data training dan data testing yang diujikan,
didapatkan hasil jumlah sampel yang cocok sebanyak 127 sampel dan hasil
jumlah sampel yang tidak cocok sebanyak 3 sampel. Sehingga dapat diperoleh
data keberhasilan sebagai berikut:
Jadi dari hasil perhitungan di atas tingkat keberhasilan clustering fitur
diabetic retinopathy menggunakan metode fuzzy K-Means dengan persentase
sebesar 97,69%.
78
BAB V
PENUTUP
5.1 Kesimpulan
Clustering diabetic retinopathy yang dideteksi menggunakan program
dilakukan uji coba menggunakan 130 data sampel citra fundus diabetic
retinopathy yang berbeda dengan membandingkan hasil dari clustering secara
manual dan clustering dengan program. Berdasarkan pembahasan dan uraian pada
aplikasi yang telah dibuat beserta uji coba yang telah dilakukan, maka dapat
disimpulkan:
Aplikasi dapat mendeteksi diabetic retinopathy berdasarkan stadiumnya
yaitu normal, mild NPDR, moderate NPDR, dan severe NPDR menggunakan
metode fuzzy K-Means dalam citra fundus yang diujikan dengan persentase
keberhasilan sebesar 97,69% dari seluruh citra yang telah diujikan.
5.2 Saran
Aplikasi ini dapat dikembangkan lebih lanjut, parameter nilai yang diambil
untuk proses ekstasi fitur, dan proses pengidentifikasian dapat ditambahkan agar
hasil klasifikasi lebih akurat. Metode pada proses pre-processing dapat diganti
dengan metode lainnya.
79
DAFTAR PUSTAKA
Agusta. 2007. K-Means-Penerapan, Permasalahan dan Metode Terkait. Jurnal
Sistem dan Informatika 3:47-60.
Anggarawati, Tjandrasa dan Yuniarti. 2012. Segmentasi Area Makula pada Citra
Fundus Retina dengan Operasi Morfologi. Surabaya: Jurusan Teknik
Informatika ITS.
Aung Kyaw Thet. 2010. Application of Higher Order Spectra for The Identification
of Diabetic Retinopathy Stages. SIM University.
Bilous, Rudy. 2003. Diabetes. Jakarta: Dian Rakyat.
Dalimartha, Setiawan. 2007. Ramuan Tradisional untuk Pengobatan Diabetes
Melitus. Jakarta: Penebar Surabaya.
David, Rekha Krishnan dan Kumar, Sekesh. 2008. Neural Network Based Retinal
Image Analysis. Congress on Image and Signal Processing.
Dillak, Yefrenes dan Bintiri, Ganantowe. 2013. Klasifikasi Citra Diabetic
Retinopathy Menggunakan 3D-GLCM Projection. NTT: Teknik Informatika
Politeknik Negeri Kupang.
Dinar, Febrina dan Sutikno. 2010. Pengelompokkan Zona Musim (ZOM) dengan
Fuzzy K-Means Clustering. Suabaya: Jurusan Statistika FMIPA ITS.
Faisal, Muhammad. 2013. Klasifikasi Penderita Diabetic Retinopathy
Menggunakan Support Vector Machines (SVM) Berbasis Fitur
Microneurysm, Hemorrhage dan Exudate. Surabaya: Teknik Elektro Institut
Teknologi Sepuluh November.
Faisal, Purnama, Hariadi, dan Purnomo. 2012. Retinal Blood Vessel Segmentation
In Diabetic Retinopathy Image Using Maximum Tree. Surabaya: Institut
Teknologi Sepuluh November.
Gagnon, Lalonde, Beaulieu, dan Boucher. 2001. Procedure to Detect Anatomical
Structures in Optical Fundus Images. San Diego: Proceedings of Conference
Medical Imaging 2001 (pp. 1218-1225).
Hong SL. 2006. Experiment With K-Means, Fuzzy C-Means and Approaches to
Choose K and C. Orlando: University of Central Florida.
79
80
Iqbal, Aibinu, Gubbal, dan Khan. 2006. Automatic Diagnosis of Diabetic
Retinopathy using Fundus Citras. Blekinge Institute of Technology.
Jelinek, Depardieu, Lucas, Cornforth, Huang, dan Cree. Towards Vessel
Characterisation in The Vicinity of The Optic Disc in Digital Retinal Images.
Kauppi, Tomi dan Kalesnykiene, Valentina. 2006. DIARETDB1 Diabetic
Retinopathy Database and Evaluation Protocol. Finland: University of
Kuopio.
King, Philip. 2004. An Investigation into The Design of An Automated Glaucoma
Diagnostic System. Texas Tech University.
Kusumadewi dan Pramono. Aplikasi Logika Fuzzy untuk Pendukung Keputusan.
2004. Yogyakarta: Graha Ilmu.
Kusumadewi dan Rismawan. 2008. Aplikasi K-Means untuk Pengelompokkan
Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka.
Yogyakarta: Jurusan Teknik Informatika UII.
Kusumadewi, Hartati, Harjoko, dan Wardoyo. 2006. Fuzzy Multi-Attribute Decision
Making (FUZZY MADM). Yogyakarta: Graha Ilmu.
Lathifaturrahmah. 2010. Perbandingan Hasil Penggerombolan Metode K-Means,
Fuzzy K-Means, dan Two Step Cluster. Bogor: Pasca Sarjana IPB.
Muhammad, bid Abdullah. 2006. Tafsir Ibnu Kasir. Jakarta: Pustaka Imam Syafi’i.
Munir, Rinaldi. 2003. Matematika Diskrit. Bandung: Informatika.
Nurkamid, Mukhamad dan Sutejo. 2010. Metode Kecerahan Citra Kontras Citra
dan Penajaman Citra untuk Peningkatan Mutu Citra. Kudus: Teknik
Informatika.
Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan
Matlab. Yogyakarta: ANDI.
Setiawan, Wahyudi. 2012. Sistem Deteksi Retinopathy Diabetic Menggunakan
Support Vector Machine. Semarang: Pasca Sarjana Jurusan Sistem Informasi
Universitas Diponegoro.
Shihab, Quraish. 2002. Tafsir Al-Misbah: Pesan, Kesan dan Keserasian Al-Quran.
Jakarta:Lentera Hati.
81
Sopharak, Akara dan New, Khine Thet. 2008. Automatic Exudate Detection with a
Naive Bayes Classifier. Bangkok: Asian Institute of Technology Thailand.
Thongnuch, Viranee dan Uyyanonvara, Bunyarit. 2006. Automatic Detection of
Optic Disc from Fundus Images of ROP Infant Using 2D Circular Hough
Transform. Thailand: Thammasat University, Sirindhorn International
Institute of Technology.
Thongnuch, Viranee dan Uyyanonvara, Bunyarit. 2007. Automatic Optic Disk
Detection from Low Contrast Retinal Images of ROP Infant Using
Mathematical Morphology. Thailand: Thammasat University, Sirindhorn
International Institute of Technology.
Umran, Munzir dan Abidin, Taufik Faudi. 2009. Pengelompokkan Dokumen
Menggunakan K-Means dan Singular Value Decomposition: Studi Kasus
Menggunakan Data Blog. Banda Aceh: Jurusan Matematika FMIPA
Universitas Syiah Kuala.
Usman, Ahmad. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.
Yogyakarta: Graha Ilmu.
Wakhidah, Nur. 2012. Clustering Menggunakan K-Means Algorithm (K-Means
Algorithm Clustering). Semarang: Fakultas Teknologi Informasi dan
Komunikasi Universitas Semarang.
Walter, Thomas and Klein. 2001. Segmentation of Color Fundus Citras of Human
Retina: Detection of The Optic Disk and The Vascular Tree Using
Morphological Techniques. Medical Data Analysis (pp. 282-287).
Yusuf, Ahmad Muhammad. 2009. Ensiklopedi Tematis ayat Al-Quran dan Hadits.
Jakarta: Widya Cahaya.
Zahara, Rizal dan Usman. 2011. Simulasi untuk Klasifikasi Retinopati Diabetes
Nonproliferatif Berdasarkan Mikroaneurisma dan Hemorrhages. Institut
Teknologi Telkom: Fakultas Elektro dan Komunikasi.
http://messidor.crihan.fr
Image Name (Data Training) Ophthalmologic Ddepartment Retinopathy Grade20051019_38557_0100_PP.tif Service Ophtalmologie Lariboisière 3
20051020_43808_0100_PP.tif Service Ophtalmologie Lariboisière 1
20051020_43832_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_43882_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_43906_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44261_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44284_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44338_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44349_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44400_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44431_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44598_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44636_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44692_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_44714_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44762_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44782_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44843_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44901_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44923_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44982_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45004_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45050_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45068_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45110_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45137_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_52801_0100_PP.tif Service Ophtalmologie Lariboisière 220051020_53062_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_53178_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_53997_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_54209_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_55346_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_55701_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_56592_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_56791_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_57157_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_57566_0100_PP.tif Service Ophtalmologie Lariboisière 220051020_57622_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_57761_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_57844_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_57967_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_58065_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_58214_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_58276_0100_PP.tif Service Ophtalmologie Lariboisière 220051020_61557_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_61757_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_61804_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_61907_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_61998_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_62014_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_62337_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_62385_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_62461_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62510_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62577_0100_PP.tif Service Ophtalmologie Lariboisière 3
20051020_62615_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62709_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62802_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_62878_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63045_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63141_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63269_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63337_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63711_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_63829_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_63936_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64007_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64249_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64388_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64518_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64570_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64653_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64703_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64775_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64836_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64945_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64993_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_65166_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_65230_0100_PP.tif Service Ophtalmologie Lariboisière 020051021_36097_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_36208_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_36380_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_36476_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_39222_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_39314_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39482_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39552_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39661_0100_PP.tif Service Ophtalmologie Lariboisière 220051021_39719_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_39845_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39914_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_40018_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_40074_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_40180_0100_PP.tif Service Ophtalmologie Lariboisière 020051021_40248_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_40377_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_40450_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_51418_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_51476_0100_PP.tif Service Ophtalmologie Lariboisière 020051021_51476_0100_PP.tif Service Ophtalmologie Lariboisière 3
Image Name (Data Testing) Ophthalmologic dDepartment Retinopathy Grade20051213_61406_0100_PP.tif Service Ophtalmologie Lariboisière 020051213_61802_0100_PP.tif Service Ophtalmologie Lariboisière 220051213_61892_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_61951_0100_PP.tif Service Ophtalmologie Lariboisière 220051213_62046_0100_PP.tif Service Ophtalmologie Lariboisière 320051213_62188_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62251_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62314_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62383_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62437_0100_PP.tif Service Ophtalmologie Lariboisière 320051213_62518_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62572_0100_PP.tif Service Ophtalmologie Lariboisière 320051213_62648_0100_PP.tif Service Ophtalmologie Lariboisière 020051213_62705_0100_PP.tif Service Ophtalmologie Lariboisière 020051214_40361_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40456_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40529_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40596_0100_PP.tif Service Ophtalmologie Lariboisière 220051214_40719_0100_PP.tif Service Ophtalmologie Lariboisière 120051214_40767_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40849_0100_PP.tif Service Ophtalmologie Lariboisière 120051214_40912_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40994_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41055_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41289_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41358_0100_PP.tif Service Ophtalmologie Lariboisière 120051214_41429_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41490_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41582_0100_PP.tif Service Ophtalmologie Lariboisière 220051214_41949_0100_PP.tif Service Ophtalmologie Lariboisière 3
Exudates Microaneurysms Blood Vessels
0 126 20996
12 53 17554
0 57 17274
0 46 23257
0 55 22379
77 83 19419
106 55 19064
0 22 19798
0 104 19365
0 37 17315
0 26 14862
91 35 14694
0 82 18256
0 30 8200
0 99 21140
0 15 20962
0 33 16211
530 276 15915
86 15 20261
139 85 21651
0 58 20475
0 36 19737
262 149 20306
100 262 18621
37 606 32639
1452 267 31338
0 122 24563
490 118 23958
494 131 26114
67 47 4588
1168 173 22442
688 218 19598
2 55 20828
0 89 18295
0 27 22907
0 25 23189
205 53 24714
89 214 25010
11 82 13590
2 79 10303
0 18 11477
5 23 14525
71 68 23923
7 111 25163
DATA TRAINING (100 data)
9 178 12634
2 162 19187
0 99 18797
7 204 15997
0 7 5681
0 45 6047
95 104 16596
80 200 18198
3 53 22722
0 150 24116
0 24 21404
0 89 23263
197 239 20111
65 156 15968
0 65 18193
0 14 16245
101 40 13321
0 15 13382
5 41 17643
0 34 21968
0 49 23647
100 43 20470
60 139 21451
0 40 21600
0 109 21452
0 72 19728
52 86 18684
58 22 15772
0 71 16342
393 11 12594
83 19 12126
0 45 20620
0 77 16622
0 0 4249
0 40 6443
14 166 16439
0 175 17183
0 30 19659
6 74 22014
903 50 18983
126 81 18355
0 109 13220
0 117 14811
57 31 27548
130 113 27908
0 86 18547
189 50 19401
0 14 18072
0 72 18901
0 56 10302
0 55 17920
83 215 27288
7 279 26837
0 36 16304
48 94 6420
0 65 21644
Exudates Microaneurysms Cottonwool Textur Homogeneity Blood Vessels
15 0 15 5.996985871 0.974103316 20280
0 15 0 5.932148774 0.983566317 21149
0 103 0 6.142961191 0.979611313 26418
0 18 0 5.908052493 0.990499691 22701
0 52 0 5.912006878 0.989590002 22382
0 10 0 5.93845536 0.979126308 21972
0 80 0 5.897042831 0.991537692 18447
102 48 102 6.12400494 0.987814556 16440
0 129 0 6.02726593 0.983321548 20846
0 0 0 5.925646538 0.97834493 9942
0 67 0 6.079099121 0.982078876 24105
0 66 0 6.013584658 0.965202377 25920
0 29 0 5.929337344 0.96140044 19724
0 63 0 5.99898233 0.985408708 24437
0 14 0 5.985729968 0.988085127 23737
3 61 3 6.182457761 0.957057014 30954
0 20 0 6.006995387 0.988948442 20939
0 8 0 6.049024631 0.977488588 28856
11 8 11 6.026150456 0.981164305 16002
0 0 0 5.913330501 0.983329916 13044
0 108 0 5.903744244 0.973166082 17368
17 68 17 6.101846873 0.986792245 28666
0 76 0 5.923604599 0.96716255 17340
1 12 1 5.992490138 0.975464538 21882
12 0 12 6.066851831 0.97889444 18726
4 0 4 5.841653668 0.987475645 7368
23 23 23 6.062848585 0.984758781 25227
0 130 0 6.168770813 0.984696019 26932
0 9 0 6.031215008 0.986789456 24479
0 0 0 6.086085375 0.986914978 26652
0 79 0 6.022967353 0.991404499 20447
0 0 0 5.971688594 0.989132891 18559
0 0 0 6.066483742 0.984997273 15380
2 0 2 5.952039551 0.990444601 20475
0 0 0 6.029095359 0.97893105 26701
0 29 0 6.086833166 0.95927911 29099
0 119 0 6.042769082 0.980449873 25513
1 43 1 6.116979558 0.982050284 25978
0 138 0 6.078574454 0.96935501 26318
0 0 0 6.122399188 0.977066135 27242
0 16 0 5.977169832 0.985640227 23904
0 26 0 6.136084709 0.965916461 28445
0 0 0 5.990813418 0.982567019 12315
1 78 1 6.051573695 0.983860598 21121
0 62 0 5.859620537 0.97707262 7391
180 90 180 6.024377639 0.984554458 24252
91 47 91 6.022113318 0.97741711 15321
47 49 47 6.128596021 0.977826104 22650
DATA TRAINING (70 data)
76 0 76 5.829622655 0.977985448 22169
104 9 104 5.956275866 0.97976717 22039
91 57 91 5.973209897 0.983031452 23349
140 38 140 5.982606007 0.981763326 25492
77 0 77 5.950182037 0.983423012 5858
192 65 192 6.029351498 0.974502896 27950
63 200 63 6.036977895 0.978164666 28625
72 43 72 6.045236363 0.986860585 26982
93 0 93 5.924576868 0.984444974 22649
46 85 46 6.047232973 0.990216917 25219
111 318 111 6.064510785 0.983095956 23477
35 624 35 5.99707646 0.974255338 36815
527 127 527 5.930876642 0.977556579 26625
103 105 103 6.03785752 0.98737453 19389
84 173 84 6.035766912 0.980856775 21134
267 201 267 6.073778314 0.975486504 25021
1655 221 1655 6.162628062 0.96981498 34580
516 293 516 5.929206305 0.985888483 29587
558 240 558 6.116050344 0.986588271 19249
1108 256 1108 6.099669271 0.986984713 25354
686 137 686 6.07995529 0.985577466 21474
81 612 81 6.073857037 0.989539793 21602
Exudates Microaneurysms Blood Vessels
3 33 20815
67 38 11578
9 64 9568
0 10 17503
0 128 24490
0 99 22973
0 18 19280
5 7 31532
8 33 28879
66 14 21546
541 212 19888
277 77 21760
50 157 20026
801 155 18806
209 88 15278
245 82 12281
0 0 10398
0 0 16905
0 19 13106
0 66 18237
2452 243 15197
960 116 20983
0 35 18058
7 0 408
152 80 4944
130 25 6655
0 0 20386
0 27 20181
44 78 27131
107 23 27237
0 0 24460
0 0 24154
4 187 11413
0 36 20750
0 78 18213
0 77 22700
0 66 24834
15 57 18807
10 9 20244
0 0 15188
0 27 14173
4 0 18164
17 316 29793
19 0 24316
0 61 20451
0 19 19164
0 8 23630
0 34 21439
DATA TRAINING (79 data)
150 121 19443
490 163 21926
514 364 20576
672 41 21144
16 32 18378
18 69 17320
487 314 16044
1249 108 21820
0 0 20494
0 514 21063
1 452 22937
0 18 13100
0 141 9950
0 13 16436
0 57 14329
129 0 7044
480 133 11514
0 0 19327
0 0 20996
0 0 16446
6 0 20670
240 10 18150
0 0 15202
0 0 15047
175 0 7561
135 70 8112
97 145 14652
15 142 12477
49 158 22851
807 213 25066
25 267 18610
Exudates Microaneurysms Blood Vessels
3 33 20815
67 38 11578
9 64 9568
0 10 17503
0 128 24490
0 99 22973
0 18 19280
5 7 31532
8 33 28879
66 14 21546
541 212 19888
277 77 21760
50 157 20026
801 155 18806
209 88 15278
245 82 12281
0 0 10398
0 0 16905
0 19 13106
0 66 18237
2452 243 15197
960 116 20983
0 35 18058
7 0 408
152 80 4944
130 25 6655
0 0 20386
0 27 20181
44 78 27131
107 23 27237
0 0 24460
0 0 24154
4 187 11413
0 36 20750
0 78 18213
0 77 22700
15 57 18807
0 0 15188
0 27 14173
4 0 18164
17 316 29793
19 0 24316
0 61 20451
0 19 19164
0 8 23630
0 34 21439
150 121 19443
490 163 21926
DATA TRAINING (84 data)
514 364 20576
672 41 21144
18 69 17320
487 314 16044
1249 108 21820
0 0 20494
0 514 21063
1 452 22937
0 13 16436
129 0 7044
480 133 11514
0 0 19327
0 0 20996
0 0 16446
6 0 20670
240 10 18150
0 0 15202
0 0 15047
0 0 19794
0 21 14865
0 0 8200
0 0 20910
0 0 22919
0 0 16340
0 26 18525
189 4 19404
86 11 20266
2 57 20831
0 82 5680
3 9 22719
0 42 18199
5 10 17636
60 61 21456
0 33 16624
57 49 27560
0 15 10300
Nilai Blood VesselsNo Image Name Program Nilai Blood Vessels
1 20051214_40994_0100_PP.tif Severe 18614
2 20051020_45068_0100_PP.tif Severe 18621
3 20051214_40767_0100_PP.tif Severe 18656
4 20051020_64570_0100_PP.tif Severe 18684
5 20051020_61804_0100_PP.tif Severe 18797
6 20051214_41582_0100_PP.tif Severe 18821
7 20051021_40074_0100_PP.tif Severe 18901
8 20051021_39222_0100_PP.tif Severe 18983
9 20051020_44284_0100_PP.tif Severe 19064
10 20051020_61757_0100_PP.tif Severe 19187
11 20051214_41055_0100_PP.tif Severe 19314
12 20051020_44349_0100_PP.tif Severe 19365
13 20051021_39914_0100_PP.tif Severe 19401
14 20051020_44261_0100_PP.tif Severe 19419
15 20051020_55346_0100_PP.tif Severe 19598
16 20051021_36380_0100_PP.tif Severe 19659
17 20051020_64518_0100_PP.tif Severe 19728
18 20051020_45004_0100_PP.tif Severe 19737
19 20051020_44338_0100_PP.tif Severe 19798
20 20051020_62709_0100_PP.tif Severe 20111
21 20051214_40456_0100_PP.tif Severe 20181
22 20051214_41949_0100_PP.tif Severe 20251
23 20051020_44901_0100_PP.tif Severe 20261
24 20051020_45050_0100_PP.tif Severe 20306
25 20051214_40361_0100_PP.tif Severe 20387
26 20051020_63936_0100_PP.tif Severe 20470
27 20051020_44982_0100_PP.tif Severe 20475
28 20051213_62572_0100_PP.tif Severe 20504
29 20051020_64945_0100_PP.tif Severe 20620
30 20051214_41289_0100_PP.tif Severe 20818
31 20051020_55701_0100_PP.tif Severe 20828
32 20051020_44762_0100_PP.tif Severe 20962
33 20051213_62437_0100_PP.tif Severe 20983
34 20051019_38557_0100_PP.tif Severe 20996
35 20051020_44714_0100_PP.tif Severe 21140
36 20051020_62577_0100_PP.tif Severe 21404
37 20051020_64007_0100_PP.tif Severe 21451
38 20051020_64388_0100_PP.tif Severe 21452
39 20051020_64249_0100_PP.tif Severe 21600
40 20051021_51561_0100_PP.tif Severe 21644
41 20051020_44923_0100_PP.tif Severe 21651
42 20051020_63711_0100_PP.tif Severe 21968
43 20051021_36476_0100_PP.tif Severe 22014
44 20051020_43906_0100_PP.tif Severe 22379
45 20051020_54209_0100_PP.tif Severe 22442
46 20051214_41429_0100_PP.tif Severe 22668
47 20051020_62461_0100_PP.tif Severe 22722
48 20051020_56791_0100_PP.tif Severe 22907
49 20051020_57157_0100_PP.tif Severe 23189
50 20051020_43882_0100_PP.tif Severe 23257
51 20051020_62615_0100_PP.tif Severe 23263
52 20051020_63829_0100_PP.tif Severe 23647
53 20051020_58214_0100_PP.tif Severe 23923
54 20051020_53062_0100_PP.tif Severe 23958
55 20051020_62510_0100_PP.tif Severe 24116
56 20051213_61951_0100_PP.tif Severe 24159
57 20051214_41490_0100_PP.tif Severe 24817
58 20051020_57622_0100_PP.tif Severe 25010
59 20051020_53178_0100_PP.tif Severe 26114
60 20051021_40450_0100_PP.tif Severe 26837
61 20051214_40529_0100_PP.tif Severe 27137
62 20051021_40377_0100_PP.tif Severe 27288
63 20051021_39719_0100_PP.tif Severe 27908
64 20051020_45137_0100_PP.tif Severe 31338
65 20051020_45110_0100_PP.tif Severe 32639
No Image Name Program Nilai Blood Vessels
1 20051020_52801_0100_PP.tif Moderate 24563
2 20051020_57566_0100_PP.tif Moderate 24714
3 20051020_58276_0100_PP.tif Moderate 25163
4 20051214_40596_0100_PP.tif Moderate 27229
5 20051021_39661_0100_PP.tif Moderate 27548
6 20051021_39661_0100_PP.tif Moderate 27548
No Image Name Program Nilai Blood Vessels
1 20051020_64836_0100_PP.tif Mild 12126
2 20051020_64775_0100_PP.tif Mild 12594
3 20051020_61557_0100_PP.tif Mild 12634
4 20051213_62188_0100_PP.tif Mild 13107
5 20051021_39482_0100_PP.tif Mild 13220
6 20051020_63141_0100_PP.tif Mild 13321
7 20051020_63269_0100_PP.tif Mild 13382
8 20051020_57761_0100_PP.tif Mild 13590
9 20051020_58065_0100_PP.tif Mild 14525
10 20051020_44598_0100_PP.tif Mild 14694
11 20051021_39552_0100_PP.tif Mild 14811
12 20051020_44431_0100_PP.tif Mild 14862
13 20051214_40849_0100_PP.tif Mild 14869
14 20051020_64653_0100_PP.tif Mild 15772
15 20051020_44843_0100_PP.tif Mild 15915
16 20051020_62802_0100_PP.tif Mild 15968
17 20051020_61907_0100_PP.tif Mild 15997
18 20051020_44782_0100_PP.tif Mild 16211
19 20051020_63045_0100_PP.tif Mild 16245
20 20051021_51418_0100_PP.tif Mild 16304
21 20051020_64703_0100_PP.tif Mild 16342
22 20051021_36097_0100_PP.tif Mild 16439
23 20051020_62337_0100_PP.tif Mild 16596
24 20051020_64993_0100_PP.tif Mild 16622
25 20051213_61802_0100_PP.tif Mild 16900
26 20051213_62251_0100_PP.tif Mild 17030
27 20051021_36208_0100_PP.tif Mild 17183
28 20051020_43832_0100_PP.tif Mild 17274
29 20051020_44400_0100_PP.tif Mild 17315
30 20051019_38557_0100_PP.tif Mild 17554
31 20051020_63337_0100_PP.tif Mild 17643
32 20051213_61406_0100_PP.tif Mild 17654
33 20051021_40248_0100_PP.tif Mild 17920
34 20051021_40018_0100_PP.tif Mild 18072
35 20051213_62518_0100_PP.tif Mild 18154
36 20051020_62878_0100_PP.tif Mild 18193
37 20051020_62385_0100_PP.tif Mild 18198
38 20051214_41358_0100_PP.tif Mild 18205
39 20051214_40719_0100_PP.tif Mild 18208
40 20051213_62314_0100_PP.tif Mild 18216
41 20051020_44636_0100_PP.tif Mild 18256
42 20051020_56592_0100_PP.tif Mild 18295
43 20051213_62046_0100_PP.tif MIld 18344
44 20051021_39314_0100_PP.tif Mild 18355
45 20051021_39845_0100_PP.tif Mild 18547
No Image Name Program Nilai Blood Vessels
1 20051020_65166_0100_PP.tif Normal 4249
2 20051020_53997_0100_PP.tif Normal 4588
3 20051213_62648_0100_PP.tif Normal 4946
4 20051213_62648_0100_PP.tif Normal 4946
5 20051020_61998_0100_PP.tif Normal 5681
6 20051020_62014_0100_PP.tif Normal 6047
7 20051021_51476_0100_PP.tif Normal 6420
8 20051020_65230_0100_PP.tif Normal 6443
9 20051213_62705_0100_PP.tif Normal 6657
10 20051020_44692_0100_PP.tif Normal 8200
11 20051021_40180_0100_PP.tif Normal 10302
12 20051020_57844_0100_PP.tif Normal 10303
13 20051021_59589_0100_PP.tif Normal 10400
14 20051020_57967_0100_PP.tif Normal 11477
Range Fitur Blood Vessels
Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 7189.93 6431.5 4249 11477
Mild NPDR 45 16259.16 16622 12126 18547
Moderate NPDR 6 26127.5 26196 24563 27548
Severe NPDR 65 21823.72 20983 18614 32639
Nilai Blood VesselsNo Image Name Program Nilai Blood Vessels
1 20051019_38557_0100_PP.tif Severe 20996
2 20051020_43882_0100_PP.tif Severe 23257
3 20051020_43906_0100_PP.tif Severe 22379
4 20051020_44261_0100_PP.tif Severe 19419
5 20051020_44284_0100_PP.tif Severe 19064
6 20051020_44338_0100_PP.tif Severe 19798
7 20051020_44349_0100_PP.tif Severe 19365
8 20051020_44714_0100_PP.tif Severe 21140
9 20051020_44762_0100_PP.tif Severe 20962
10 20051020_44901_0100_PP.tif Severe 20261
11 20051020_44923_0100_PP.tif Severe 21651
12 20051020_44982_0100_PP.tif Severe 20475
13 20051020_45004_0100_PP.tif Severe 19737
14 20051020_45050_0100_PP.tif Severe 20306
15 20051020_45068_0100_PP.tif Severe 18621
16 20051020_45110_0100_PP.tif Severe 32639
17 20051020_45137_0100_PP.tif Severe 31338
18 20051020_53062_0100_PP.tif Severe 23958
19 20051020_53178_0100_PP.tif Severe 26114
20 20051020_54209_0100_PP.tif Severe 22442
21 20051020_55346_0100_PP.tif Severe 19598
22 20051020_55701_0100_PP.tif Severe 20828
23 20051020_56791_0100_PP.tif Severe 22907
24 20051020_57157_0100_PP.tif Severe 23189
25 20051020_57622_0100_PP.tif Severe 25010
26 20051020_58214_0100_PP.tif Severe 23923
27 20051020_61757_0100_PP.tif Severe 19187
28 20051020_61804_0100_PP.tif Severe 18797
29 20051020_62461_0100_PP.tif Severe 22722
30 20051020_62510_0100_PP.tif Severe 24116
31 20051020_62577_0100_PP.tif Severe 21404
32 20051020_62615_0100_PP.tif Severe 23263
33 20051020_62709_0100_PP.tif Severe 20111
34 20051020_63711_0100_PP.tif Severe 21968
35 20051020_63829_0100_PP.tif Severe 23647
36 20051020_63936_0100_PP.tif Severe 20470
37 20051020_64007_0100_PP.tif Severe 21451
38 20051020_64249_0100_PP.tif Severe 21600
39 20051020_64388_0100_PP.tif Severe 21452
40 20051020_64518_0100_PP.tif Severe 19728
41 20051020_64570_0100_PP.tif Severe 18684
42 20051020_64945_0100_PP.tif Severe 20620
43 20051021_36380_0100_PP.tif Severe 19659
44 20051021_36476_0100_PP.tif Severe 22014
45 20051021_39222_0100_PP.tif Severe 18983
46 20051021_39719_0100_PP.tif Severe 27908
47 20051021_39914_0100_PP.tif Severe 19401
48 20051021_40074_0100_PP.tif Severe 18901
49 20051021_40377_0100_PP.tif Severe 27288
50 20051021_40450_0100_PP.tif Severe 26837
51 20051021_51561_0100_PP.tif Severe 21644
52 20051213_61951_0100_PP.tif Severe 24159
53 20051213_62437_0100_PP.tif Severe 20983
54 20051213_62572_0100_PP.tif Severe 20504
55 20051214_40361_0100_PP.tif Severe 20387
56 20051214_40456_0100_PP.tif Severe 20181
57 20051214_40529_0100_PP.tif Severe 27137
58 20051214_40767_0100_PP.tif Severe 18656
59 20051214_40994_0100_PP.tif Severe 18614
60 20051214_41055_0100_PP.tif Severe 19314
61 20051214_41289_0100_PP.tif Severe 20818
62 20051214_41429_0100_PP.tif Severe 22668
63 20051214_41490_0100_PP.tif Severe 24817
64 20051214_41582_0100_PP.tif Severe 18821
65 20051214_41949_0100_PP.tif Severe 20251
No Image Name Program Nilai Blood Vessels
1 20051020_52801_0100_PP.tif Moderate 24563
2 20051020_57566_0100_PP.tif Moderate 24714
3 20051020_58276_0100_PP.tif Moderate 25163
4 20051021_39661_0100_PP.tif Moderate 27548
5 20051021_39661_0100_PP.tif Moderate 27548
6 20051214_40596_0100_PP.tif Moderate 27229
No Image Name Program Nilai Blood Vessels
1 20051019_38557_0100_PP.tif Mild 17554
2 20051020_43832_0100_PP.tif Mild 17274
3 20051020_44400_0100_PP.tif Mild 17315
4 20051020_44431_0100_PP.tif Mild 14862
5 20051020_44598_0100_PP.tif Mild 14694
6 20051020_44636_0100_PP.tif Mild 18256
7 20051020_44782_0100_PP.tif Mild 16211
8 20051020_44843_0100_PP.tif Mild 15915
9 20051020_56592_0100_PP.tif Mild 18295
10 20051020_57761_0100_PP.tif Mild 13590
11 20051020_58065_0100_PP.tif Mild 14525
12 20051020_61557_0100_PP.tif Mild 12634
13 20051020_61907_0100_PP.tif Mild 15997
14 20051020_62337_0100_PP.tif Mild 16596
15 20051020_62385_0100_PP.tif Mild 18198
16 20051020_62802_0100_PP.tif Mild 15968
17 20051020_62878_0100_PP.tif Mild 18193
18 20051020_63045_0100_PP.tif Mild 16245
19 20051020_63141_0100_PP.tif Mild 13321
20 20051020_63269_0100_PP.tif Mild 13382
21 20051020_63337_0100_PP.tif Mild 17643
22 20051020_64653_0100_PP.tif Mild 15772
23 20051020_64703_0100_PP.tif Mild 16342
24 20051020_64775_0100_PP.tif Mild 12594
25 20051020_64836_0100_PP.tif Mild 12126
26 20051020_64993_0100_PP.tif Mild 16622
27 20051021_36097_0100_PP.tif Mild 16439
28 20051021_36208_0100_PP.tif Mild 17183
29 20051021_39314_0100_PP.tif Mild 18355
30 20051021_39482_0100_PP.tif Mild 13220
31 20051021_39552_0100_PP.tif Mild 14811
32 20051021_39845_0100_PP.tif Mild 18547
33 20051021_40018_0100_PP.tif Mild 18072
34 20051021_40248_0100_PP.tif Mild 17920
35 20051021_51418_0100_PP.tif Mild 16304
36 20051213_61406_0100_PP.tif Mild 17654
37 20051213_61802_0100_PP.tif Mild 16900
38 20051213_62046_0100_PP.tif MIld 18344
39 20051213_62188_0100_PP.tif Mild 13107
40 20051213_62251_0100_PP.tif Mild 17030
41 20051213_62314_0100_PP.tif Mild 18216
42 20051213_62518_0100_PP.tif Mild 18154
43 20051214_40719_0100_PP.tif Mild 18208
44 20051214_40849_0100_PP.tif Mild 14869
45 20051214_41358_0100_PP.tif Mild 18205
No Image Name Program Nilai Blood Vessels
1 20051020_44692_0100_PP.tif Normal 8200
2 20051020_53997_0100_PP.tif Normal 4588
3 20051020_57844_0100_PP.tif Normal 10303
4 20051020_57967_0100_PP.tif Normal 11477
5 20051020_61998_0100_PP.tif Normal 5681
6 20051020_62014_0100_PP.tif Normal 6047
7 20051020_65166_0100_PP.tif Normal 4249
8 20051020_65230_0100_PP.tif Normal 6443
9 20051021_40180_0100_PP.tif Normal 10302
10 20051021_51476_0100_PP.tif Normal 6420
11 20051021_59589_0100_PP.tif Normal 10400
12 20051213_62648_0100_PP.tif Normal 4946
13 20051213_62705_0100_PP.tif Normal 6657
14 20051213_62648_0100_PP.tif Normal 4946
Nilai ExudatesNo Image Name Program Nilai Exudates
1 20051019_38557_0100_PP.tif Severe 0
2 20051020_43882_0100_PP.tif Severe 0
3 20051020_43906_0100_PP.tif Severe 0
4 20051020_44338_0100_PP.tif Severe 0
5 20051020_44349_0100_PP.tif Severe 0
6 20051020_44714_0100_PP.tif Severe 0
7 20051020_44762_0100_PP.tif Severe 0
8 20051020_44982_0100_PP.tif Severe 0
9 20051020_45004_0100_PP.tif Severe 0
10 20051020_56791_0100_PP.tif Severe 0
11 20051020_57157_0100_PP.tif Severe 0
12 20051020_61804_0100_PP.tif Severe 0
13 20051020_62510_0100_PP.tif Severe 0
14 20051020_62577_0100_PP.tif Severe 0
15 20051020_62615_0100_PP.tif Severe 0
16 20051020_63711_0100_PP.tif Severe 0
17 20051020_63829_0100_PP.tif Severe 0
18 20051020_64249_0100_PP.tif Severe 0
19 20051020_64388_0100_PP.tif Severe 0
20 20051020_64518_0100_PP.tif Severe 0
21 20051020_64945_0100_PP.tif Severe 0
22 20051021_36380_0100_PP.tif Severe 0
23 20051021_40074_0100_PP.tif Severe 0
24 20051021_51561_0100_PP.tif Severe 0
25 20051213_61951_0100_PP.tif Severe 0
26 20051214_40361_0100_PP.tif Severe 0
27 20051214_40456_0100_PP.tif Severe 0
28 20051214_40767_0100_PP.tif Severe 0
29 20051214_41289_0100_PP.tif Severe 0
30 20051214_41429_0100_PP.tif Severe 0
31 20051214_41490_0100_PP.tif Severe 0
32 20051020_55701_0100_PP.tif Severe 2
33 20051020_61757_0100_PP.tif Severe 2
34 20051020_62461_0100_PP.tif Severe 3
35 20051021_36476_0100_PP.tif Severe 6
36 20051021_40450_0100_PP.tif Severe 7
37 20051213_62572_0100_PP.tif Severe 7
38 20051214_41055_0100_PP.tif Severe 7
39 20051214_41949_0100_PP.tif Severe 10
40 20051214_41582_0100_PP.tif Severe 15
41 20051214_40994_0100_PP.tif Severe 34
42 20051020_45110_0100_PP.tif Severe 37
43 20051214_40529_0100_PP.tif Severe 44
44 20051020_64570_0100_PP.tif Severe 52
45 20051020_64007_0100_PP.tif Severe 60
46 20051020_58214_0100_PP.tif Severe 71
47 20051020_44261_0100_PP.tif Severe 77
48 20051021_40377_0100_PP.tif Severe 83
49 20051020_44901_0100_PP.tif Severe 86
50 20051020_57622_0100_PP.tif Severe 89
51 20051020_45068_0100_PP.tif Severe 100
52 20051020_63936_0100_PP.tif Severe 100
53 20051020_44284_0100_PP.tif Severe 106
54 20051021_39719_0100_PP.tif Severe 130
55 20051020_44923_0100_PP.tif Severe 139
56 20051021_39914_0100_PP.tif Severe 189
57 20051020_62709_0100_PP.tif Severe 197
58 20051020_45050_0100_PP.tif Severe 262
59 20051020_53062_0100_PP.tif Severe 490
60 20051020_53178_0100_PP.tif Severe 494
61 20051020_55346_0100_PP.tif Severe 688
62 20051021_39222_0100_PP.tif Severe 903
63 20051213_62437_0100_PP.tif Severe 966
64 20051020_54209_0100_PP.tif Severe 1168
65 20051020_45137_0100_PP.tif Severe 1452
No Image Name Program Nilai Exudates
1 20051020_52801_0100_PP.tif Moderate 0
2 20051021_39661_0100_PP.tif Moderate 0
3 20051020_58276_0100_PP.tif Moderate 7
4 20051021_39661_0100_PP.tif Moderate 57
5 20051214_40596_0100_PP.tif Moderate 107
6 20051020_57566_0100_PP.tif Moderate 205
No Image Name Program Nilai Exudates
1 20051020_43832_0100_PP.tif Mild 0
2 20051020_44400_0100_PP.tif Mild 0
3 20051020_44431_0100_PP.tif Mild 0
4 20051020_44636_0100_PP.tif Mild 0
5 20051020_44782_0100_PP.tif Mild 0
6 20051020_56592_0100_PP.tif Mild 0
7 20051020_62878_0100_PP.tif Mild 0
8 20051020_63045_0100_PP.tif Mild 0
9 20051020_63269_0100_PP.tif Mild 0
10 20051020_64703_0100_PP.tif Mild 0
11 20051020_64993_0100_PP.tif Mild 0
12 20051021_36208_0100_PP.tif Mild 0
13 20051021_39482_0100_PP.tif Mild 0
14 20051021_39552_0100_PP.tif Mild 0
15 20051021_39845_0100_PP.tif Mild 0
16 20051021_40018_0100_PP.tif Mild 0
17 20051021_40248_0100_PP.tif Mild 0
18 20051021_51418_0100_PP.tif Mild 0
19 20051213_61802_0100_PP.tif Mild 0
20 20051213_62046_0100_PP.tif MIld 0
21 20051213_62188_0100_PP.tif Mild 0
22 20051213_62314_0100_PP.tif Mild 0
23 20051213_62518_0100_PP.tif Mild 0
24 20051214_40719_0100_PP.tif Mild 0
25 20051214_40849_0100_PP.tif Mild 0
26 20051214_41358_0100_PP.tif Mild 0
27 20051020_58065_0100_PP.tif Mild 5
28 20051020_63337_0100_PP.tif Mild 5
29 20051020_61907_0100_PP.tif Mild 7
30 20051020_61557_0100_PP.tif Mild 9
31 20051020_57761_0100_PP.tif Mild 11
32 20051213_62251_0100_PP.tif Mild 11
33 20051019_38557_0100_PP.tif Mild 12
34 20051021_36097_0100_PP.tif Mild 14
35 20051020_64653_0100_PP.tif Mild 58
36 20051020_62802_0100_PP.tif Mild 65
37 20051020_62385_0100_PP.tif Mild 80
38 20051020_64836_0100_PP.tif Mild 83
39 20051020_44598_0100_PP.tif Mild 91
40 20051020_62337_0100_PP.tif Mild 95
41 20051020_63141_0100_PP.tif Mild 101
42 20051213_61406_0100_PP.tif Mild 103
43 20051021_39314_0100_PP.tif Mild 126
44 20051020_64775_0100_PP.tif Mild 393
45 20051020_44843_0100_PP.tif Mild 530
No Image Name Program Nilai Exudates
1 20051020_44692_0100_PP.tif Normal 0
2 20051020_57967_0100_PP.tif Normal 0
3 20051020_61998_0100_PP.tif Normal 0
4 20051020_62014_0100_PP.tif Normal 0
5 20051020_65166_0100_PP.tif Normal 0
6 20051020_65230_0100_PP.tif Normal 0
7 20051021_40180_0100_PP.tif Normal 0
8 20051021_59589_0100_PP.tif Normal 0
9 20051020_57844_0100_PP.tif Normal 2
10 20051213_62648_0100_PP.tif Normal 4
11 20051021_51476_0100_PP.tif Normal 48
12 20051020_53997_0100_PP.tif Normal 67
13 20051213_62705_0100_PP.tif Normal 132
14 20051213_62648_0100_PP.tif Normal 153
Range Fitur Exudates
Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 29 48 0 153
Mild NPDR 45 39.98 72.5 0 530
Moderate NPDR 6 62.67 57 0 205
Severe NPDR 65 124.25 86 0 1452
Nilai ExudatesNo Image Name Program Nilai Exudates
1 20051019_38557_0100_PP.tif Severe 0
2 20051020_43882_0100_PP.tif Severe 0
3 20051020_43906_0100_PP.tif Severe 0
4 20051020_44261_0100_PP.tif Severe 77
5 20051020_44284_0100_PP.tif Severe 106
6 20051020_44338_0100_PP.tif Severe 0
7 20051020_44349_0100_PP.tif Severe 0
8 20051020_44714_0100_PP.tif Severe 0
9 20051020_44762_0100_PP.tif Severe 0
10 20051020_44901_0100_PP.tif Severe 86
11 20051020_44923_0100_PP.tif Severe 139
12 20051020_44982_0100_PP.tif Severe 0
13 20051020_45004_0100_PP.tif Severe 0
14 20051020_45050_0100_PP.tif Severe 262
15 20051020_45068_0100_PP.tif Severe 100
16 20051020_45110_0100_PP.tif Severe 37
17 20051020_45137_0100_PP.tif Severe 1452
18 20051020_53062_0100_PP.tif Severe 490
19 20051020_53178_0100_PP.tif Severe 494
20 20051020_54209_0100_PP.tif Severe 1168
21 20051020_55346_0100_PP.tif Severe 688
22 20051020_55701_0100_PP.tif Severe 2
23 20051020_56791_0100_PP.tif Severe 0
24 20051020_57157_0100_PP.tif Severe 0
25 20051020_57622_0100_PP.tif Severe 89
26 20051020_58214_0100_PP.tif Severe 71
27 20051020_61757_0100_PP.tif Severe 2
28 20051020_61804_0100_PP.tif Severe 0
29 20051020_62461_0100_PP.tif Severe 3
30 20051020_62510_0100_PP.tif Severe 0
31 20051020_62577_0100_PP.tif Severe 0
32 20051020_62615_0100_PP.tif Severe 0
33 20051020_62709_0100_PP.tif Severe 197
34 20051020_63711_0100_PP.tif Severe 0
35 20051020_63829_0100_PP.tif Severe 0
36 20051020_63936_0100_PP.tif Severe 100
37 20051020_64007_0100_PP.tif Severe 60
38 20051020_64249_0100_PP.tif Severe 0
39 20051020_64388_0100_PP.tif Severe 0
40 20051020_64518_0100_PP.tif Severe 0
41 20051020_64570_0100_PP.tif Severe 52
42 20051020_64945_0100_PP.tif Severe 0
43 20051021_36380_0100_PP.tif Severe 0
44 20051021_36476_0100_PP.tif Severe 6
45 20051021_39222_0100_PP.tif Severe 903
46 20051021_39719_0100_PP.tif Severe 130
47 20051021_39914_0100_PP.tif Severe 189
48 20051021_40074_0100_PP.tif Severe 0
49 20051021_40377_0100_PP.tif Severe 83
50 20051021_40450_0100_PP.tif Severe 7
51 20051021_51561_0100_PP.tif Severe 0
52 20051213_61951_0100_PP.tif Severe 0
53 20051213_62437_0100_PP.tif Severe 966
54 20051213_62572_0100_PP.tif Severe 7
55 20051214_40361_0100_PP.tif Severe 0
56 20051214_40456_0100_PP.tif Severe 0
57 20051214_40529_0100_PP.tif Severe 44
58 20051214_40767_0100_PP.tif Severe 0
59 20051214_40994_0100_PP.tif Severe 34
60 20051214_41055_0100_PP.tif Severe 7
61 20051214_41289_0100_PP.tif Severe 0
62 20051214_41429_0100_PP.tif Severe 0
63 20051214_41490_0100_PP.tif Severe 0
64 20051214_41582_0100_PP.tif Severe 15
65 20051214_41949_0100_PP.tif Severe 10
No Image Name Program Nilai Exudates
1 20051020_52801_0100_PP.tif Moderate 0
2 20051020_57566_0100_PP.tif Moderate 205
3 20051020_58276_0100_PP.tif Moderate 7
4 20051021_39661_0100_PP.tif Moderate 57
5 20051021_39661_0100_PP.tif Moderate 0
6 20051214_40596_0100_PP.tif Moderate 107
No Image Name Program Nilai Exudates
1 20051019_38557_0100_PP.tif Mild 12
2 20051020_43832_0100_PP.tif Mild 0
3 20051020_44400_0100_PP.tif Mild 0
4 20051020_44431_0100_PP.tif Mild 0
5 20051020_44598_0100_PP.tif Mild 91
6 20051020_44636_0100_PP.tif Mild 0
7 20051020_44782_0100_PP.tif Mild 0
8 20051020_44843_0100_PP.tif Mild 530
9 20051020_56592_0100_PP.tif Mild 0
10 20051020_57761_0100_PP.tif Mild 11
11 20051020_58065_0100_PP.tif Mild 5
12 20051020_61557_0100_PP.tif Mild 9
13 20051020_61907_0100_PP.tif Mild 7
14 20051020_62337_0100_PP.tif Mild 95
15 20051020_62385_0100_PP.tif Mild 80
16 20051020_62802_0100_PP.tif Mild 65
17 20051020_62878_0100_PP.tif Mild 0
18 20051020_63045_0100_PP.tif Mild 0
19 20051020_63141_0100_PP.tif Mild 101
20 20051020_63269_0100_PP.tif Mild 0
21 20051020_63337_0100_PP.tif Mild 5
22 20051020_64653_0100_PP.tif Mild 58
23 20051020_64703_0100_PP.tif Mild 0
24 20051020_64775_0100_PP.tif Mild 393
25 20051020_64836_0100_PP.tif Mild 83
26 20051020_64993_0100_PP.tif Mild 0
27 20051021_36097_0100_PP.tif Mild 14
28 20051021_36208_0100_PP.tif Mild 0
29 20051021_39314_0100_PP.tif Mild 126
30 20051021_39482_0100_PP.tif Mild 0
31 20051021_39552_0100_PP.tif Mild 0
32 20051021_39845_0100_PP.tif Mild 0
33 20051021_40018_0100_PP.tif Mild 0
34 20051021_40248_0100_PP.tif Mild 0
35 20051021_51418_0100_PP.tif Mild 0
36 20051213_61406_0100_PP.tif Mild 103
37 20051213_61802_0100_PP.tif Mild 0
38 20051213_62046_0100_PP.tif MIld 0
39 20051213_62188_0100_PP.tif Mild 0
40 20051213_62251_0100_PP.tif Mild 11
41 20051213_62314_0100_PP.tif Mild 0
42 20051213_62518_0100_PP.tif Mild 0
43 20051214_40719_0100_PP.tif Mild 0
44 20051214_40849_0100_PP.tif Mild 0
45 20051214_41358_0100_PP.tif Mild 0
No Image Name Program Nilai Exudates
1 20051020_44692_0100_PP.tif Normal 0
2 20051020_53997_0100_PP.tif Normal 67
3 20051020_57844_0100_PP.tif Normal 2
4 20051020_57967_0100_PP.tif Normal 0
5 20051020_61998_0100_PP.tif Normal 0
6 20051020_62014_0100_PP.tif Normal 0
7 20051020_65166_0100_PP.tif Normal 0
8 20051020_65230_0100_PP.tif Normal 0
9 20051021_40180_0100_PP.tif Normal 0
10 20051021_51476_0100_PP.tif Normal 48
11 20051021_59589_0100_PP.tif Normal 0
12 20051213_62648_0100_PP.tif Normal 153
13 20051213_62705_0100_PP.tif Normal 132
14 20051213_62648_0100_PP.tif Normal 4
Nilai MicroaneurysmsNo Image Name Program Nilai Microaneurysms
1 20051213_61951_0100_PP.tif Severe 0
2 20051214_40361_0100_PP.tif Severe 0
3 20051214_40456_0100_PP.tif Severe 0
4 20051214_40767_0100_PP.tif Severe 0
5 20051214_41289_0100_PP.tif Severe 0
6 20051214_41429_0100_PP.tif Severe 0
7 20051214_41490_0100_PP.tif Severe 0
8 20051213_62572_0100_PP.tif Severe 7
9 20051214_41055_0100_PP.tif Severe 7
10 20051214_41949_0100_PP.tif Severe 10
11 20051020_44762_0100_PP.tif Severe 15
12 20051020_44901_0100_PP.tif Severe 15
13 20051214_41582_0100_PP.tif Severe 15
14 20051020_44338_0100_PP.tif Severe 22
15 20051020_62577_0100_PP.tif Severe 24
16 20051020_57157_0100_PP.tif Severe 25
17 20051020_56791_0100_PP.tif Severe 27
18 20051021_36380_0100_PP.tif Severe 30
19 20051020_63711_0100_PP.tif Severe 34
20 20051214_40994_0100_PP.tif Severe 34
21 20051020_45004_0100_PP.tif Severe 36
22 20051020_64249_0100_PP.tif Severe 40
23 20051020_63936_0100_PP.tif Severe 43
24 20051214_40529_0100_PP.tif Severe 44
25 20051020_64945_0100_PP.tif Severe 45
26 20051020_43882_0100_PP.tif Severe 46
27 20051020_63829_0100_PP.tif Severe 49
28 20051021_39222_0100_PP.tif Severe 50
29 20051021_39914_0100_PP.tif Severe 50
30 20051020_62461_0100_PP.tif Severe 53
31 20051020_43906_0100_PP.tif Severe 55
32 20051020_44284_0100_PP.tif Severe 55
33 20051020_55701_0100_PP.tif Severe 55
34 20051020_44982_0100_PP.tif Severe 58
35 20051021_51561_0100_PP.tif Severe 65
36 20051020_58214_0100_PP.tif Severe 68
37 20051020_64518_0100_PP.tif Severe 72
38 20051021_40074_0100_PP.tif Severe 72
39 20051021_36476_0100_PP.tif Severe 74
40 20051020_44261_0100_PP.tif Severe 83
41 20051020_44923_0100_PP.tif Severe 85
42 20051020_64570_0100_PP.tif Severe 86
43 20051020_62615_0100_PP.tif Severe 89
44 20051020_44714_0100_PP.tif Severe 99
45 20051020_61804_0100_PP.tif Severe 99
46 20051020_44349_0100_PP.tif Severe 104
47 20051020_64388_0100_PP.tif Severe 109
48 20051021_39719_0100_PP.tif Severe 113
49 20051020_53062_0100_PP.tif Severe 118
50 20051019_38557_0100_PP.tif Severe 126
51 20051020_53178_0100_PP.tif Severe 131
52 20051020_64007_0100_PP.tif Severe 139
53 20051020_45050_0100_PP.tif Severe 149
54 20051020_62510_0100_PP.tif Severe 150
55 20051020_61757_0100_PP.tif Severe 162
56 20051020_54209_0100_PP.tif Severe 173
57 20051020_57622_0100_PP.tif Severe 214
58 20051021_40377_0100_PP.tif Severe 215
59 20051020_55346_0100_PP.tif Severe 218
60 20051020_62709_0100_PP.tif Severe 239
61 20051020_45068_0100_PP.tif Severe 262
62 20051020_45137_0100_PP.tif Severe 267
63 20051021_40450_0100_PP.tif Severe 279
64 20051020_45110_0100_PP.tif Severe 606
65 20051213_62437_0100_PP.tif Severe 966
No Image Name Program Nilai Microaneurysms
1 20051021_39661_0100_PP.tif Moderate 0
2 20051021_39661_0100_PP.tif Moderate 31
3 20051020_57566_0100_PP.tif Moderate 53
4 20051214_40596_0100_PP.tif Moderate 107
5 20051020_58276_0100_PP.tif Moderate 111
6 20051020_52801_0100_PP.tif Moderate 122
No Image Name Program Nilai Microaneurysms
1 20051213_61802_0100_PP.tif Mild 0
2 20051213_62046_0100_PP.tif MIld 0
3 20051213_62188_0100_PP.tif Mild 0
4 20051213_62314_0100_PP.tif Mild 0
5 20051213_62518_0100_PP.tif Mild 0
6 20051214_40719_0100_PP.tif Mild 0
7 20051214_40849_0100_PP.tif Mild 0
8 20051214_41358_0100_PP.tif Mild 0
9 20051020_64775_0100_PP.tif Mild 11
10 20051213_62251_0100_PP.tif Mild 11
11 20051020_63045_0100_PP.tif Mild 14
12 20051021_40018_0100_PP.tif Mild 14
13 20051020_63269_0100_PP.tif Mild 15
14 20051020_64836_0100_PP.tif Mild 19
15 20051020_64653_0100_PP.tif Mild 22
16 20051020_58065_0100_PP.tif Mild 23
17 20051020_44431_0100_PP.tif Mild 26
18 20051020_44782_0100_PP.tif Mild 33
19 20051020_44598_0100_PP.tif Mild 35
20 20051021_51418_0100_PP.tif Mild 36
21 20051020_44400_0100_PP.tif Mild 37
22 20051020_63141_0100_PP.tif Mild 40
23 20051020_63337_0100_PP.tif Mild 41
24 20051019_38557_0100_PP.tif Mild 53
25 20051021_40248_0100_PP.tif Mild 55
26 20051020_43832_0100_PP.tif Mild 57
27 20051020_62878_0100_PP.tif Mild 65
28 20051020_64703_0100_PP.tif Mild 71
29 20051020_64993_0100_PP.tif Mild 77
30 20051021_39314_0100_PP.tif Mild 81
31 20051020_44636_0100_PP.tif Mild 82
32 20051020_57761_0100_PP.tif Mild 82
33 20051021_39845_0100_PP.tif Mild 86
34 20051020_56592_0100_PP.tif Mild 89
35 20051213_61406_0100_PP.tif Mild 103
36 20051020_62337_0100_PP.tif Mild 104
37 20051021_39482_0100_PP.tif Mild 109
38 20051021_39552_0100_PP.tif Mild 117
39 20051020_62802_0100_PP.tif Mild 156
40 20051021_36097_0100_PP.tif Mild 166
41 20051021_36208_0100_PP.tif Mild 175
42 20051020_61557_0100_PP.tif Mild 178
43 20051020_62385_0100_PP.tif Mild 200
44 20051020_61907_0100_PP.tif Mild 204
45 20051020_44843_0100_PP.tif Mild 276
No Image Name Program Nilai Microaneurysms
1 20051020_65166_0100_PP.tif Normal 0
2 20051213_62648_0100_PP.tif Normal 4
3 20051020_61998_0100_PP.tif Normal 7
4 20051020_57967_0100_PP.tif Normal 18
5 20051020_44692_0100_PP.tif Normal 30
6 20051021_59589_0100_PP.tif Normal 31
7 20051020_65230_0100_PP.tif Normal 40
8 20051020_62014_0100_PP.tif Normal 45
9 20051020_53997_0100_PP.tif Normal 47
10 20051021_40180_0100_PP.tif Normal 56
11 20051020_57844_0100_PP.tif Normal 79
12 20051021_51476_0100_PP.tif Normal 94
13 20051213_62705_0100_PP.tif Normal 132
14 20051213_62648_0100_PP.tif Normal 153
Range Fitur Microaneurysms
Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 52.57 42.5 0 153
Mild NPDR 45 65.84 68 0 276
Moderate NPDR 6 70.67 80 0 122
Severe NPDR 65 101.17 78.5 0 966
Nilai MicroaneurysmsNo Image Name Program Nilai Microaneurysms
1 20051019_38557_0100_PP.tif Severe 126
2 20051020_43882_0100_PP.tif Severe 46
3 20051020_43906_0100_PP.tif Severe 55
4 20051020_44261_0100_PP.tif Severe 83
5 20051020_44284_0100_PP.tif Severe 55
6 20051020_44338_0100_PP.tif Severe 22
7 20051020_44349_0100_PP.tif Severe 104
8 20051020_44714_0100_PP.tif Severe 99
9 20051020_44762_0100_PP.tif Severe 15
10 20051020_44901_0100_PP.tif Severe 15
11 20051020_44923_0100_PP.tif Severe 85
12 20051020_44982_0100_PP.tif Severe 58
13 20051020_45004_0100_PP.tif Severe 36
14 20051020_45050_0100_PP.tif Severe 149
15 20051020_45068_0100_PP.tif Severe 262
16 20051020_45110_0100_PP.tif Severe 606
17 20051020_45137_0100_PP.tif Severe 267
18 20051020_53062_0100_PP.tif Severe 118
19 20051020_53178_0100_PP.tif Severe 131
20 20051020_54209_0100_PP.tif Severe 173
21 20051020_55346_0100_PP.tif Severe 218
22 20051020_55701_0100_PP.tif Severe 55
23 20051020_56791_0100_PP.tif Severe 27
24 20051020_57157_0100_PP.tif Severe 25
25 20051020_57622_0100_PP.tif Severe 214
26 20051020_58214_0100_PP.tif Severe 68
27 20051020_61757_0100_PP.tif Severe 162
28 20051020_61804_0100_PP.tif Severe 99
29 20051020_62461_0100_PP.tif Severe 53
30 20051020_62510_0100_PP.tif Severe 150
31 20051020_62577_0100_PP.tif Severe 24
32 20051020_62615_0100_PP.tif Severe 89
33 20051020_62709_0100_PP.tif Severe 239
34 20051020_63711_0100_PP.tif Severe 34
35 20051020_63829_0100_PP.tif Severe 49
36 20051020_63936_0100_PP.tif Severe 43
37 20051020_64007_0100_PP.tif Severe 139
38 20051020_64249_0100_PP.tif Severe 40
39 20051020_64388_0100_PP.tif Severe 109
40 20051020_64518_0100_PP.tif Severe 72
41 20051020_64570_0100_PP.tif Severe 86
42 20051020_64945_0100_PP.tif Severe 45
43 20051021_36380_0100_PP.tif Severe 30
44 20051021_36476_0100_PP.tif Severe 74
45 20051021_39222_0100_PP.tif Severe 50
46 20051021_39719_0100_PP.tif Severe 113
47 20051021_39914_0100_PP.tif Severe 50
48 20051021_40074_0100_PP.tif Severe 72
49 20051021_40377_0100_PP.tif Severe 215
50 20051021_40450_0100_PP.tif Severe 279
51 20051021_51561_0100_PP.tif Severe 65
52 20051213_61951_0100_PP.tif Severe 0
53 20051213_62437_0100_PP.tif Severe 966
54 20051213_62572_0100_PP.tif Severe 7
55 20051214_40361_0100_PP.tif Severe 0
56 20051214_40456_0100_PP.tif Severe 0
57 20051214_40529_0100_PP.tif Severe 44
58 20051214_40767_0100_PP.tif Severe 0
59 20051214_40994_0100_PP.tif Severe 34
60 20051214_41055_0100_PP.tif Severe 7
61 20051214_41289_0100_PP.tif Severe 0
62 20051214_41429_0100_PP.tif Severe 0
63 20051214_41490_0100_PP.tif Severe 0
64 20051214_41582_0100_PP.tif Severe 15
65 20051214_41949_0100_PP.tif Severe 10
No Image Name Program Nilai Microaneurysms
1 20051020_52801_0100_PP.tif Moderate 122
2 20051020_57566_0100_PP.tif Moderate 53
3 20051020_58276_0100_PP.tif Moderate 111
4 20051021_39661_0100_PP.tif Moderate 31
5 20051021_39661_0100_PP.tif Moderate 0
6 20051214_40596_0100_PP.tif Moderate 107
No Image Name Program Nilai Microaneurysms
1 20051019_38557_0100_PP.tif Mild 53
2 20051020_43832_0100_PP.tif Mild 57
3 20051020_44400_0100_PP.tif Mild 37
4 20051020_44431_0100_PP.tif Mild 26
5 20051020_44598_0100_PP.tif Mild 35
6 20051020_44636_0100_PP.tif Mild 82
7 20051020_44782_0100_PP.tif Mild 33
8 20051020_44843_0100_PP.tif Mild 276
9 20051020_56592_0100_PP.tif Mild 89
10 20051020_57761_0100_PP.tif Mild 82
11 20051020_58065_0100_PP.tif Mild 23
12 20051020_61557_0100_PP.tif Mild 178
13 20051020_61907_0100_PP.tif Mild 204
14 20051020_62337_0100_PP.tif Mild 104
15 20051020_62385_0100_PP.tif Mild 200
16 20051020_62802_0100_PP.tif Mild 156
17 20051020_62878_0100_PP.tif Mild 65
18 20051020_63045_0100_PP.tif Mild 14
19 20051020_63141_0100_PP.tif Mild 40
20 20051020_63269_0100_PP.tif Mild 15
21 20051020_63337_0100_PP.tif Mild 41
22 20051020_64653_0100_PP.tif Mild 22
23 20051020_64703_0100_PP.tif Mild 71
24 20051020_64775_0100_PP.tif Mild 11
25 20051020_64836_0100_PP.tif Mild 19
26 20051020_64993_0100_PP.tif Mild 77
27 20051021_36097_0100_PP.tif Mild 166
28 20051021_36208_0100_PP.tif Mild 175
29 20051021_39314_0100_PP.tif Mild 81
30 20051021_39482_0100_PP.tif Mild 109
31 20051021_39552_0100_PP.tif Mild 117
32 20051021_39845_0100_PP.tif Mild 86
33 20051021_40018_0100_PP.tif Mild 14
34 20051021_40248_0100_PP.tif Mild 55
35 20051021_51418_0100_PP.tif Mild 36
36 20051213_61406_0100_PP.tif Mild 103
37 20051213_61802_0100_PP.tif Mild 0
38 20051213_62046_0100_PP.tif MIld 0
39 20051213_62188_0100_PP.tif Mild 0
40 20051213_62251_0100_PP.tif Mild 11
41 20051213_62314_0100_PP.tif Mild 0
42 20051213_62518_0100_PP.tif Mild 0
43 20051214_40719_0100_PP.tif Mild 0
44 20051214_40849_0100_PP.tif Mild 0
45 20051214_41358_0100_PP.tif Mild 0
No Image Name Program Nilai Microaneurysms
1 20051020_44692_0100_PP.tif Normal 30
2 20051020_53997_0100_PP.tif Normal 47
3 20051020_57844_0100_PP.tif Normal 79
4 20051020_57967_0100_PP.tif Normal 18
5 20051020_61998_0100_PP.tif Normal 7
6 20051020_62014_0100_PP.tif Normal 45
7 20051020_65166_0100_PP.tif Normal 0
8 20051020_65230_0100_PP.tif Normal 40
9 20051021_40180_0100_PP.tif Normal 56
10 20051021_51476_0100_PP.tif Normal 94
11 20051021_59589_0100_PP.tif Normal 31
12 20051213_62648_0100_PP.tif Normal 153
13 20051213_62705_0100_PP.tif Normal 132
14 20051213_62648_0100_PP.tif Normal 4
Range Fitur Blood Vessels
Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 7189.93 6431.5 4249 11477
Mild NPDR 45 16259.16 16622 12126 18547
Moderate NPDR 6 26127.5 26196 24563 27548
Severe NPDR 65 21823.72 20983 18614 32639
TOTAL 130
11477
18547
27548
32639
4249
12126
24563
18614
6431.5
16622
26196
20983
0
5000
10000
15000
20000
25000
30000
35000
Normal Mild Moderate Severe
Range Fitur Exudates
Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 29 48 0 153
Mild NPDR 45 39.98 72.5 0 530
Moderate NPDR 6 62.67 57 0 205
Severe NPDR 65 124.25 86 0 1452
153
530
205
1452
0 0 0 048 72.5 57 86
0
200
400
600
800
1000
1200
1400
1600
Normal Mild Moderate Severe
Range Fitur Microaneurysms
Klasifikasi N Mean Median Nilai Minimal Nilai Maximal
Normal 14 52.57 42.5 0 153
Mild NPDR 45 65.84 68 0 276
Moderate NPDR 6 70.67 80 0 122
Severe NPDR 65 101.17 78.5 0 966
153
276
122
966
0 0 0 0
42.5 68 80 78.5
0
200
400
600
800
1000
1200
Normal Mild Moderate Severe
No Sampel Image Name Manual Program Hasil Perbandingan Image Image K-Means Exudate Micro
1 20051021_59589_0100_PP.tif Normal Normal Cocok
2 20051213_61406_0100_PP.tif Moderate Mild Tidak Cocok
3 20051213_61802_0100_PP.tif Mild Mild Cocok
4 20051213_61892_0100_PP.tif Moderate Moderate Cocok
5 20051213_61951_0100_PP.tif Severe Severe Cocok
6 20051213_62046_0100_PP.tif Mild Mild Cocok
7 20051213_62188_0100_PP.tif Mild Mild Cocok
8 20051213_62251_0100_PP.tif Mild Mild Cocok
9 20051213_62314_0100_PP.tif Mild Mild Cocok
10 20051213_62437_0100_PP.tif Severe Severe Cocok
11 20051213_62518_0100_PP.tif Mild Mild Cocok
12 20051213_62572_0100_PP.tif Severe Severe Cocok
13 20051213_62648_0100_PP.tif Normal Normal Cocok
14 20051213_62705_0100_PP.tif Normal Normal Cocok
15 20051214_40361_0100_PP.tif Severe Severe Cocok
16 20051214_40456_0100_PP.tif Severe Severe Cocok
17 20051214_40529_0100_PP.tif Severe Severe Cocok
18 20051214_40596_0100_PP.tif Moderate Moderate Cocok
19 20051214_40719_0100_PP.tif Mild Mild Cocok
20 20051214_40767_0100_PP.tif Severe Severe Cocok
21 20051214_40849_0100_PP.tif Mild Mild Cocok
22 20051214_40912_0100_PP.tif Severe Normal Tidak Cocok
23 20051214_40994_0100_PP.tif Severe Severe Cocok
24 20051214_41055_0100_PP.tif Severe Severe Cocok
25 20051214_41289_0100_PP.tif Severe Severe Cocok
26 20051214_41358_0100_PP.tif Mild Mild Cocok
27 20051214_41429_0100_PP.tif Severe Severe Cocok
28 20051214_41490_0100_PP.tif Severe Severe Cocok
29 20051214_41582_0100_PP.tif Moderate Severe Tidak Cocok
30 20051214_41949_0100_PP.tif Severe Severe Cocok
Total Keberhasilan =90%
Gagal=10%
No Sampel Image Name Manual Program Hasil Perbandingan Image Image K-Means Exudate Micro
1 20051019_38557_0100_PP.tif Severe Severe Cocok
2 20051019_38557_0100_PP.tif Mild Mild Cocok
3 20051020_43832_0100_PP.tif Mild Mild Cocok
4 20051020_43882_0100_PP.tif Severe Severe Cocok
5 20051020_43906_0100_PP.tif Severe Severe Cocok
6 20051020_44261_0100_PP.tif Severe Severe Cocok
7 20051020_44284_0100_PP.tif Severe Severe Cocok
8 20051020_44338_0100_PP.tif Severe Severe Cocok
9 20051020_44349_0100_PP.tif Severe Severe Cocok
10 20051020_44400_0100_PP.tif Mild Mild Cocok
11 20051020_44431_0100_PP.tif Mild Mild Cocok
12 20051020_44598_0100_PP.tif Mild Mild Cocok
13 20051020_44636_0100_PP.tif Mild Mild Cocok
14 20051020_44692_0100_PP.tif Normal Normal Cocok
15 20051020_44714_0100_PP.tif Severe Severe Cocok
16 20051020_44762_0100_PP.tif Severe Severe Cocok
17 20051020_44782_0100_PP.tif Mild Mild Cocok
18 20051020_44843_0100_PP.tif Mild Mild Cocok
19 20051020_44901_0100_PP.tif Severe Severe Cocok
20 20051020_44923_0100_PP.tif Severe Severe Cocok
21 20051020_44982_0100_PP.tif Severe Severe Cocok
22 20051020_45004_0100_PP.tif Severe Severe Cocok
23 20051020_45050_0100_PP.tif Severe Severe Cocok
24 20051020_45068_0100_PP.tif Severe Severe Cocok
25 20051020_45110_0100_PP.tif Severe Severe Cocok
26 20051020_45137_0100_PP.tif Severe Severe Cocok
27 20051020_52801_0100_PP.tif Moderate Moderate Cocok
28 20051020_53062_0100_PP.tif Severe Severe Cocok
29 20051020_53178_0100_PP.tif Severe Severe Cocok
30 20051020_53997_0100_PP.tif Normal Normal Cocok
31 20051020_54209_0100_PP.tif Severe Severe Cocok
32 20051020_55346_0100_PP.tif Severe Severe Cocok
33 20051020_55701_0100_PP.tif Severe Severe Cocok
34 20051020_56592_0100_PP.tif Mild Mild Cocok
35 20051020_56791_0100_PP.tif Severe Severe Cocok
36 20051020_57157_0100_PP.tif Severe Severe Cocok
37 20051020_57566_0100_PP.tif Moderate Moderate Cocok
38 20051020_57622_0100_PP.tif Severe Severe Cocok
39 20051020_57761_0100_PP.tif Mild Mild Cocok
40 20051020_57844_0100_PP.tif Normal Normal Cocok
41 20051020_57967_0100_PP.tif Normal Normal Cocok
42 20051020_58065_0100_PP.tif Mild Mild Cocok
43 20051020_58214_0100_PP.tif Severe Severe Cocok
44 20051020_58276_0100_PP.tif Moderate Moderate Cocok
45 20051020_61557_0100_PP.tif Mild Mild Cocok
46 20051020_61757_0100_PP.tif Severe Severe Cocok
47 20051020_61804_0100_PP.tif Severe Severe Cocok
48 20051020_61907_0100_PP.tif Mild Mild Cocok
49 20051020_61998_0100_PP.tif Normal Normal Cocok
50 20051020_62014_0100_PP.tif Normal Normal Cocok
51 20051020_62337_0100_PP.tif Mild Mild Cocok
52 20051020_62385_0100_PP.tif Mild Mild Cocok
53 20051020_62461_0100_PP.tif Severe Severe Cocok
54 20051020_62510_0100_PP.tif Severe Severe Cocok
55 20051020_62577_0100_PP.tif Severe Severe Cocok
56 20051020_62615_0100_PP.tif Severe Severe Cocok
57 20051020_62709_0100_PP.tif Severe Severe Cocok
58 20051020_62802_0100_PP.tif Mild Mild Cocok
59 20051020_62878_0100_PP.tif Mild Mild Cocok
60 20051020_63045_0100_PP.tif Mild Mild Cocok
61 20051020_63141_0100_PP.tif Mild Mild Cocok
62 20051020_63269_0100_PP.tif Mild Mild Cocok
63 20051020_63337_0100_PP.tif Mild Mild Cocok
64 20051020_63711_0100_PP.tif Severe Severe Cocok
65 20051020_63829_0100_PP.tif Severe Severe Cocok
66 20051020_63936_0100_PP.tif Severe Severe Cocok
67 20051020_64007_0100_PP.tif Severe Severe Cocok
68 20051020_64249_0100_PP.tif Severe Severe Cocok
69 20051020_64388_0100_PP.tif Severe Severe Cocok
70 20051020_64518_0100_PP.tif Severe Severe Cocok
71 20051020_64570_0100_PP.tif Severe Severe Cocok
72 20051020_64653_0100_PP.tif Mild Mild Cocok
73 20051020_64703_0100_PP.tif Mild Mild Cocok
74 20051020_64775_0100_PP.tif Mild Mild Cocok
75 20051020_64836_0100_PP.tif Mild Mild Cocok
76 20051020_64945_0100_PP.tif Severe Severe Cocok
77 20051020_64993_0100_PP.tif Mild Mild Cocok
78 20051020_65166_0100_PP.tif Normal Normal Cocok
79 20051020_65230_0100_PP.tif Normal Normal Cocok
80 20051021_36097_0100_PP.tif Mild Mild Cocok
81 20051021_36208_0100_PP.tif Mild Mild Cocok
82 20051021_36380_0100_PP.tif Severe Severe Cocok
83 20051021_36476_0100_PP.tif Severe Severe Cocok
84 20051021_39222_0100_PP.tif Severe Severe Cocok
85 20051021_39314_0100_PP.tif Mild Mild Cocok
86 20051021_39482_0100_PP.tif Mild Mild Cocok
87 20051021_39552_0100_PP.tif Mild Mild Cocok
88 20051021_39661_0100_PP.tif Moderate Moderate Cocok
89 20051021_39719_0100_PP.tif Severe Severe Cocok
90 20051021_39845_0100_PP.tif Mild Mild Cocok
91 20051021_39914_0100_PP.tif Severe Severe Cocok
92 20051021_40018_0100_PP.tif Mild Mild Cocok
93 20051021_40074_0100_PP.tif Severe Severe Cocok
94 20051021_40180_0100_PP.tif Normal Normal Cocok
95 20051021_40248_0100_PP.tif Mild Mild Cocok
96 20051021_40377_0100_PP.tif Severe Severe Cocok
97 20051021_40450_0100_PP.tif Severe Severe Cocok
98 20051021_51418_0100_PP.tif Mild Mild Cocok
99 20051021_51476_0100_PP.tif Normal Normal Cocok
100 20051021_51561_0100_PP.tif Severe Severe Cocok
Total Keberhasilan = 100%
Gagal=0%
No Sampel Image Name Manual Program Nilai Blood Vessels Nilai Exudates Nilai Microaneurysms
1 20051021_59589_0100_PP.tif Normal Normal 10400 0 31
2 20051213_61406_0100_PP.tif Moderate Mild 17654 103 19
3 20051213_61802_0100_PP.tif Mild Mild 16900 0 11
4 20051213_61892_0100_PP.tif Moderate Moderate 24516 0 50
5 20051213_61951_0100_PP.tif Severe Severe 24159 0 129
6 20051213_62046_0100_PP.tif Mild MIld 18344 0 40
7 20051213_62188_0100_PP.tif Mild Mild 13107 0 41
8 20051213_62251_0100_PP.tif Mild Mild 17030 11 97
9 20051213_62314_0100_PP.tif Mild Mild 18216 0 185
10 20051213_62437_0100_PP.tif Severe Severe 20983 966 235
11 20051213_62518_0100_PP.tif Mild Mild 18154 0 16
12 20051213_62572_0100_PP.tif Severe Severe 20504 7 45
13 20051213_62648_0100_PP.tif Normal Normal 4946 153 81
14 20051213_62705_0100_PP.tif Normal Normal 6657 132 71
15 20051214_40361_0100_PP.tif Severe Severe 20387 0 16
16 20051214_40456_0100_PP.tif Severe Severe 20181 0 19
17 20051214_40529_0100_PP.tif Severe Severe 27137 44 148
18 20051214_40596_0100_PP.tif Moderate Moderate 27229 107 54
19 20051214_40719_0100_PP.tif Mild Mild 18208 0 8
20 20051214_40767_0100_PP.tif Severe Severe 18656 0 63
21 20051214_40849_0100_PP.tif Mild Mild 14869 0 40
22 20051214_40912_0100_PP.tif Severe Normal 11412 4 138
23 20051214_40994_0100_PP.tif Severe Severe 18614 34 24
24 20051214_41055_0100_PP.tif Severe Severe 19314 7 38
25 20051214_41289_0100_PP.tif Severe Severe 20818 0 62
26 20051214_41358_0100_PP.tif Mild Mild 18205 0 108
27 20051214_41429_0100_PP.tif Severe Severe 22668 0 175
28 20051214_41490_0100_PP.tif Severe Severe 24817 0 197
29 20051214_41582_0100_PP.tif Moderate Severe 18821 15 63
30 20051214_41949_0100_PP.tif Severe Severe 20251 10 58
No Sampel Image Name Manual Program Nilai Blood Vessels Nilai Exudates Nilai Microaneurysms
1 20051019_38557_0100_PP.tif Severe Severe 20996 0 126
2 20051019_38557_0100_PP.tif Mild Mild 17554 12 53
3 20051020_43832_0100_PP.tif Mild Mild 17274 0 57
4 20051020_43882_0100_PP.tif Severe Severe 23257 0 46
5 20051020_43906_0100_PP.tif Severe Severe 22379 0 55
6 20051020_44261_0100_PP.tif Severe Severe 19419 77 83
7 20051020_44284_0100_PP.tif Severe Severe 19064 106 55
8 20051020_44338_0100_PP.tif Severe Severe 19798 0 22
9 20051020_44349_0100_PP.tif Severe Severe 19365 0 104
10 20051020_44400_0100_PP.tif Mild Mild 17315 0 37
11 20051020_44431_0100_PP.tif Mild Mild 14862 0 26
12 20051020_44598_0100_PP.tif Mild Mild 14694 91 35
13 20051020_44636_0100_PP.tif Mild Mild 18256 0 82
14 20051020_44692_0100_PP.tif Normal Normal 8200 0 30
15 20051020_44714_0100_PP.tif Severe Severe 21140 0 99
16 20051020_44762_0100_PP.tif Severe Severe 20962 0 15
17 20051020_44782_0100_PP.tif Mild Mild 16211 0 33
18 20051020_44843_0100_PP.tif Mild Mild 15915 530 276
19 20051020_44901_0100_PP.tif Severe Severe 20261 86 15
20 20051020_44923_0100_PP.tif Severe Severe 21651 139 85
21 20051020_44982_0100_PP.tif Severe Severe 20475 0 58
22 20051020_45004_0100_PP.tif Severe Severe 19737 0 36
23 20051020_45050_0100_PP.tif Severe Severe 20306 262 149
24 20051020_45068_0100_PP.tif Severe Severe 18621 100 262
25 20051020_45110_0100_PP.tif Severe Severe 32639 37 606
26 20051020_45137_0100_PP.tif Severe Severe 31338 1452 267
27 20051020_52801_0100_PP.tif Moderate Moderate 24563 0 122
28 20051020_53062_0100_PP.tif Severe Severe 23958 490 118
29 20051020_53178_0100_PP.tif Severe Severe 26114 494 131
30 20051020_53997_0100_PP.tif Normal Normal 4588 67 47
31 20051020_54209_0100_PP.tif Severe Severe 22442 1168 173
32 20051020_55346_0100_PP.tif Severe Severe 19598 688 218
33 20051020_55701_0100_PP.tif Severe Severe 20828 2 55
34 20051020_56592_0100_PP.tif Mild Mild 18295 0 89
35 20051020_56791_0100_PP.tif Severe Severe 22907 0 27
36 20051020_57157_0100_PP.tif Severe Severe 23189 0 25
37 20051020_57566_0100_PP.tif Moderate Moderate 24714 205 53
38 20051020_57622_0100_PP.tif Severe Severe 25010 89 214
39 20051020_57761_0100_PP.tif Mild Mild 13590 11 82
40 20051020_57844_0100_PP.tif Normal Normal 10303 2 79
41 20051020_57967_0100_PP.tif Normal Normal 11477 0 18
42 20051020_58065_0100_PP.tif Mild Mild 14525 5 23
43 20051020_58214_0100_PP.tif Severe Severe 23923 71 68
44 20051020_58276_0100_PP.tif Moderate Moderate 25163 7 111
45 20051020_61557_0100_PP.tif Mild Mild 12634 9 178
46 20051020_61757_0100_PP.tif Severe Severe 19187 2 162
47 20051020_61804_0100_PP.tif Severe Severe 18797 0 99
48 20051020_61907_0100_PP.tif Mild Mild 15997 7 204
49 20051020_61998_0100_PP.tif Normal Normal 5681 0 7
50 20051020_62014_0100_PP.tif Normal Normal 6047 0 45
51 20051020_62337_0100_PP.tif Mild Mild 16596 95 104
52 20051020_62385_0100_PP.tif Mild Mild 18198 80 200
53 20051020_62461_0100_PP.tif Severe Severe 22722 3 53
54 20051020_62510_0100_PP.tif Severe Severe 24116 0 150
55 20051020_62577_0100_PP.tif Severe Severe 21404 0 24
56 20051020_62615_0100_PP.tif Severe Severe 23263 0 89
57 20051020_62709_0100_PP.tif Severe Severe 20111 197 239
58 20051020_62802_0100_PP.tif Mild Mild 15968 65 156
59 20051020_62878_0100_PP.tif Mild Mild 18193 0 65
60 20051020_63045_0100_PP.tif Mild Mild 16245 0 14
61 20051020_63141_0100_PP.tif Mild Mild 13321 101 40
62 20051020_63269_0100_PP.tif Mild Mild 13382 0 15
63 20051020_63337_0100_PP.tif Mild Mild 17643 5 41
64 20051020_63711_0100_PP.tif Severe Severe 21968 0 34
65 20051020_63829_0100_PP.tif Severe Severe 23647 0 49
66 20051020_63936_0100_PP.tif Severe Severe 20470 100 43
67 20051020_64007_0100_PP.tif Severe Severe 21451 60 139
68 20051020_64249_0100_PP.tif Severe Severe 21600 0 40
69 20051020_64388_0100_PP.tif Severe Severe 21452 0 109
70 20051020_64518_0100_PP.tif Severe Severe 19728 0 72
71 20051020_64570_0100_PP.tif Severe Severe 18684 52 86
72 20051020_64653_0100_PP.tif Mild Mild 15772 58 22
73 20051020_64703_0100_PP.tif Mild Mild 16342 0 71
74 20051020_64775_0100_PP.tif Mild Mild 12594 393 11
75 20051020_64836_0100_PP.tif Mild Mild 12126 83 19
76 20051020_64945_0100_PP.tif Severe Severe 20620 0 45
77 20051020_64993_0100_PP.tif Mild Mild 16622 0 77
78 20051020_65166_0100_PP.tif Normal Normal 4249 0 0
79 20051020_65230_0100_PP.tif Normal Normal 6443 0 40
80 20051021_36097_0100_PP.tif Mild Mild 16439 14 166
81 20051021_36208_0100_PP.tif Mild Mild 17183 0 175
82 20051021_36380_0100_PP.tif Severe Severe 19659 0 30
83 20051021_36476_0100_PP.tif Severe Severe 22014 6 74
84 20051021_39222_0100_PP.tif Severe Severe 18983 903 50
85 20051021_39314_0100_PP.tif Mild Mild 18355 126 81
86 20051021_39482_0100_PP.tif Mild Mild 13220 0 109
87 20051021_39552_0100_PP.tif Mild Mild 14811 0 117
88 20051021_39661_0100_PP.tif Moderate Moderate 27548 57 31
89 20051021_39719_0100_PP.tif Severe Severe 27908 130 113
90 20051021_39845_0100_PP.tif Mild Mild 18547 0 86
91 20051021_39914_0100_PP.tif Severe Severe 19401 189 50
92 20051021_40018_0100_PP.tif Mild Mild 18072 0 14
93 20051021_40074_0100_PP.tif Severe Severe 18901 0 72
94 20051021_40180_0100_PP.tif Normal Normal 10302 0 56
95 20051021_40248_0100_PP.tif Mild Mild 17920 0 55
96 20051021_40377_0100_PP.tif Severe Severe 27288 83 215
97 20051021_40450_0100_PP.tif Severe Severe 26837 7 279
98 20051021_51418_0100_PP.tif Mild Mild 16304 0 36
99 20051021_51476_0100_PP.tif Normal Normal 6420 48 94
100 20051021_51561_0100_PP.tif Severe Severe 21644 0 65