PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/1530/2/105314104_full.pdf · i KLASIFIKASI POLA MIKROVASKULER RETINA UNTUK DETEKSI DINI RETINOPATI DIABETIK MENGGUNAKAN

i

KLASIFIKASI POLA MIKROVASKULER RETINA UNTUK DETEKSI

DINI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR

MACHINE

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun Oleh :

Renny Nita Hernawati

10 5314 104

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

PATTERN CLASSIFICATION OF RETINAL MICROVASKULER TO

EARLY DETECTION OF RETINOPHATY DIABETIC USING SUPPORT

VECTOR MACHINE

A Thesis

Presented as Partial Fulfillment of the Requirements

to Obtain Sarjana Komputer Degree

in Informatics Enggineering Study Program

By :


10 5314 104

INFORMATICS ENGGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015


HALAMAN PERSETUJUAN

iii


HALAMAN PENGESAHAN

iv


PERNYATAAN KEASLIAN KARYA

v

Saya menyatakan dengan sesungguhnya, bahwa skripsi yang saya tulis ini

tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan

dalam kutipan daftar pustaka, sebagaimana layaknya sebuah karya ilmiah.

Yogyakarta, 31 Agustus 2015

Penulis,



HALAMAN MOTTO

vi

“ If A equals success, then the formula is : A=X+Y+Z. X is work,

Y is play. Z is keep your mouth shut.” –Einstein

I can do all things through Christ who strengthens me.

- Philippians 4:13


https://www.biblegateway.com/passage/?search=Philippians%2B4%3A13

vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Renny Nita Hernawati

NIM : 105314104

Demi pengembangan ilmu pengetahuan , saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :

KLASIFIKASI POLA MIKROVASKULER RETINA UNTUK DETEKSI

DINI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR

MACHINE

beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, me-

ngalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data,

mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media

lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun

memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai

penulis.

Demikian pernyataan ini yang saya buat dengan sebenarnya.

Dibuat di Yogyakarta

Pada tanggal : 31 Agustus 2015

Yang menyatakan



ABSTRAK

viii

Kemajuan zaman dan meningkatnya kehidupan modern berbanding lurus

dengan mobilitas kehidupan masyarakat. Padatnya aktifitas memicu terjadinya

kehidupan sedenter (kurang olahraga) dan pola makan yang kurang terkontrol

yang berakibat Diabetes Melitus. Mengidap diabetes dalam jangka panjang

mengakibatkan komplikasi vaskular. Mikroangiopati merupakan lesi spesifik

diabetes yang menyerang kapiler dan arteriola retina (retinopati diabetik), (Price

& Wilson, 2006). Perkembangan kapiler dan arteriola tersebut dapat digunakan

untuk mendeteksi dini retinopati diabetik. Oleh karena itu dilakukan penelitian

untuk klasifikasi guna mendeteksi retinopati diabetik lebih dini.

Data yang digunakan berasal dari situs MESSIDOR (Methods to evaluate

segmentation and indexing techniques in the field of retinal ophthalmology).

Jumlah data yang digunakan sebanyak 100 data citra berwarna. Sebelum

dilakukan tahap klasifikasi dilakukan beberapa tahapan berupa preprocessing

terdiri dari pemisahan kanal, penajaman kontras, binerisasi, dan cropping. Proses

dilanjutkan dengan ekstraksi fitur dengan parameter sigma, thetha, dan F.

Langkah berikutnya adalah mereduksi dimensi dengan PCA.

Percobaan proses klasifikasi dengan Support Vector Machine dilakukan

dengan melakukan perubahan pada fungsi kernel. Hasil klasifikasi menunjukkan

nilai akurasi terbaik menggunakan kernel Polynomial orde 3 senilai 99%,

sedangkan nilai akurasi terendah pada kernel Sequential Minimal Optimization

Method sebesar 45%.


ABSTRACT

ix

The progress of times and the increase of modern life had immediate

effects to the mobility of people's lives. The density of activity trigger a sedentary

life (lack of exercise) and poorly controlled eating habit cause long-term risk such

as diabetes mellitus. Long run diabetes lead to vascular complications.

Microangiopathy is a specific lesion of diabetic that attack capillaries and

arterioles of the retina (diabetic retinopathy), (Price & Wilson, 2006). This paper

focuses on the classification to detect diabetic retinopathy.

The data to be used came from MESSIDOR site (Methods to evaluate

segmentation and indexing techniques in the field of retinal ophthalmology). The

number of data is 100 colored image data. Before classification stage was done,

some preprocessing stages consist of the separation of channels, sharpening

contrast, binaryzation, and cropping are performed. The process was followed by

feature extraction with parameter sigma, thetha, and F. The next step reducing the

dimensions with PCA.

Classification was used is Support Vector Machine by making changes to

the kernel function to get the best accuracy value. The results of classification

show the best accuration using 3-Order Polynomial Kernel is 99%, while the

lowest accuration in the Sequential Minimal Optimization Method kernel is 45%.


KATA PENGANTAR

x

Puji syukur penulis panjatkan kepada Tuhan Yesus Kristus yang telah

memberikan rahmat dan karunia yang berlimpah sehingga penulis dapat

menyelesaikan tugas akhir dengan baik.

Penulis menyadari bahwa pada saat penyusunan tugas akhir ini penulis

mendapatkan banyak bantuan dari berbagai pihak, baik berupa dukungan,

perhatian, kritik dan saran yang sangat penulis butuhkan. Pada kesempatan ini

penulis akan menyampaikan ucapan terima kasih kepada:

1. Tuhan Yesus Kristus yang senantiasa mencurahkan kasih karunianya serta

memberikan bimbingan dan berkat dalam setiap hal.

2. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Cs selaku dosen pembimbing tugas

akhir yang telah dengan sabar dan penuh perhatian membimbing saya dalam

penyusunan tugas akhir. Terima kasih atas motivasi yang selalu diberikan

untuk mendorong saya.

3. Ibu Dr. Anastasia Rita Widiarti M.Kom dan bapak Robertus Adi Nugroho

S.T., M.Eng. selaku dosen penguji tugas akhir yang telah memberikan kritik

dan saran yang berguna dalam tugas akhir ini.

4. Kedua orang tua tercinta Bapak Paryono dan Ibu Ukin suhari yang selalu

mendoakan, memotivasi, dan memberikan dukungan moral maupun dukungan

financial kepada penulis, sehingga penulis dapat menyelesaikan tugas akhir

ini.

5. Kakakku Henny Dian Puntorini yang selalu mendukung, mendoakan,

memotivasi, dan selalu mengingatkanku untuk tidak pernah berputus asa

dalam penyusunan tugas akhir ini.

6. Sahabat-sahabatku Amel, Novi, Andhini, Ria, Maria, Sepen, Stella, Vyta,

Dita, Tommy, Tedy, Theo, Ardy, Doni, Yoga, Ougi, Edo, Karl, Fafe yang

berjuang bersama dalam penyusunan tugas akhir dan atas canda tawa yang

selalu ada mewarnai hari-hari penyusunan tugas akhir ini.

7. Romo Poldo, Audris Evan Utomo, dan festi tempat berbagi dan belajar

bersama


xi

8. Aryo Seno pacar, partner, sekaligus sahabat terbaik yang senantiasa

memberikan dukungan serta tempat berkeluh kesah.

9. Teman-teman TI angkatan 2010 Sanata Dharma terimakasih atas semangat

dan perjuangan bersama yang selalu kalian berikan kepada satu sama lain.

10. Terima kasih kepada semua pihak yang tidak dapat penulis sebutkan satu per

satu yang telah mendukung penyelesaian tugas akhir ini secara langsung atau

tidak langsung.

Penulis menyadari adanya kekurangan dalam penulisan laporan tugas

akhir ini. Saran dan kritik sangat penulis harapkan untuk perbaikan yang akan

datang. Akhir kata, penulis berharap tulisan ini berguna bagi perkembangan ilmu

pengetahuan dan pengguna.

Yogyakarta, 31 Agustus 2015

Penulis


xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

PERNYATAAN KEASLIAN KARYA ................................................................. v

HALAMAN MOTTO ............................................................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN ..................................................... vii

ABSTRAK ........................................................................................................... xiii

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ..................................................................................................xv

BAB I ...................................................................................................................... 1

PENDAHULUAN .................................................................................................. 1

10.1 Latar Belakang Masalah ...................................................................................... 1

10.2 Rumusan Masalah ............................................................................................... 3

10.3 Tujuan Penelitian ................................................................................................ 4

10.4 Batasan Masalah ................................................................................................. 4

10.5 Luaran penelitian................................................................................................. 4

10.6 Metodologi penelitian ......................................................................................... 5

10.7 Sistematika Penelitian ......................................................................................... 6

BAB II ..................................................................................................................... 7

LANDASAN TEORI .............................................................................................. 7

2.1. Retinopati Diabetik .................................................................................................. 7

2.2. Pengolahan Citra Digital ........................................................................................ 13

2.3 Pengenalan Pola ...................................................................................................... 14

2.3.1. Ekstraksi fitur .................................................................................................. 15

BAB III.................................................................................................................. 22

METODOLOGI PENELITIAN ............................................................................ 22

3.1.Data ......................................................................................................................... 22

3.2.Metodologi Penelitan .............................................................................................. 23

3.3. Metode Preprocessing ........................................................................................... 25

3.3. Metode Ekstraksi Fitur dengan Menggunakan Filter Gabor 2D ............................ 25

3.4.Metode Klasifikasi Menggunakan Support Vector Machine .................................. 26


xiii

3.5.Evaluasi hasil .......................................................................................................... 29

BAB IV ................................................................................................................. 30

IMPLEMENTASI DAN ANALISA SISTEM ...................................................... 30

4.1. User Interface .................................................................................................... 30

4.2. Analisis Hasil .................................................................................................... 33

4.2.1 Preprocessing ................................................................................................ 33

4.2.2 Filter Gabor 2D ............................................................................................. 36

4.2.3 Support Vector Machine ............................................................................... 38

BAB V ................................................................................................................... 52

KESIMPULAN DAN SARAN ............................................................................. 52

5.1 Kesimpulan ....................................................................................................... 52

5.2 Saran ................................................................................................................. 53

DAFTAR PUSTAKA ........................................................................................... 54

LAMPIRAN I : DATA TRAINING ..................................................................... 56

LAMPIRAN II : CODE PROGRAM ................................................................... 63


xiv

DAFTAR GAMBAR

Gambar 2.1 Mekanisme Pengenalan Pola…………………………………. 15

Gambar 3. 1 Citra digital retina grade0, grade 1, grade 2, grade 3…………. 23

Gambar 3. 2 Diagram Blok Keseluruhan Sistem…………………………… 24

Gambar 3. 3 Diagram Blok Preproses……………………………………… 25

Gambar 3. 4 Citra Kanal merah, hijau, biru………………………………… 26

Gambar 3. 5 Citra biner dan Negasi………………………………………… 28

Gambar 4. 1 User interface Halaman utama………………………………... 34

Gambar 4. 2 Halaman Preprocessing……………………………………….. 34

Gambar 4. 3 Halaman Hasil Preprocessing………………………………… 35

Gambar 4. 4 Halaman Hasil Klasifikasi……………………………………. 36

Gambar 4. 5 Tampilan Uji Tunggal………………………………………… 36

Gambar 4. 6 Grafik Akurasi menggunakan PCA dan tanpa PCA………….. 44

Tabel 4. 7 Confussion Matrix kernel Polynomial menggunakan PCA……... 44

Tabel 4. 8 Confussion Matrix Kernel Sequential Minimal Optimization

dengan PCA…………………………………………………………………

45


xv

DAFTAR TABEL

Tabel 2. 1 Statistik Penderita Diabetes Versi WHO…………………………. 8

Tabel 2. 2 Bentuk Kelainan Retina…………………………………………... 12

Tabel 4. 1Hasil Ekstraksi sebelum PCA……………………………………... 39

Tabel 4. 2 Hasil PCA…………………………………………………………. 40

Tabel 4. 3 Hasil Pengujian tanpa PCA……………………………………….. 41

Tabel 4. 4 Confusion Matrix dengan Kernel Polynomial Order 3…………… 42

Tabel 4. 5 Confusion Matrix dengan Kernel Seguential Minimal

Optimization Method…………………………………………………………

42

Tabel 4. 6 Perbandingan akurasi menggunakan PCA dan tanpa PCA……….. 43


BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Kemajuan zaman dan meningkatnya kehidupan modern berbanding

lurus dengan mobilitas kehidupan masyarakat. Dampaknya masyarakat

cenderung menyukai hal yang berbau praktis dan cepat. Padatnya aktifitas

juga semakin memicu terjadinya kehidupan sedenter (kurang olahraga) dan

pola makan yang kurang terkontrol. Pada umumnya masyarakat Indonesia

menyukai panganan pokok berupa nasi. Berbeda dengan cara konsumsi di

negara lain yang melakukan variasi makanan pokok. Padahal makanan pokok

berupa nasi dikenal sebagai makanan yang tinggi karbohidrat. Akibatnya

masyarakat Indonesia lebih rentan terserang penyakit berbahaya Diabetes

Melitus.

Diabetes melitus adalah gangguan metabolisme yang secara genetis

dan klinis termasuk heterogen dengan manifestasi berupa hilangnya toleransi

karbohidrat (Price, 2006). Diabetes sendiri merupakan salah satu ancaman

bagi kesehatan umat manusia di abad 21. Menurut World Health Organization

(WHO) Indonesia berada di urutan keempat Negara dengan jumlah

penyandang Diabetes Melitus terbanyak. Jumlah penderitanya diprediksi akan

semakin meningkat hingga mencapai angka 21,3 juta pada tahun 2030

(Sitompul,2008).

1


2

Mengidap Diabetes dalam jangka waktu lama beresiko terhadap

berbagai kelainan lain baik pada penderita diabetes tipe 1 maupun 2, yaitu

hipoglikemia, ketoasidasis, dan komplikasi. Hipoglikemia merupakan dampak

Diabetes dimana penderitanya mengalami kadar gula dalam darah sangat

rendah atau di bawah normal. Ketoasidasis terjadi ketika glukosa dalam darah

tidak dapat diolah dengan baik oleh tubuh, sehingga tubuh menggunakan

lemak dan protein dalam proses pembakaran energi. Dampak lain yang cukup

berbahaya merupakan komplikasi, gejalanya akan nampak berupa serangan

jantung, stroke, kebutaan, penyakit ginjal dan luka yang sulit disembuhkan

hingga diperlukan adanya amputasi.

Komplikasi vaskular jangka panjang dari diabetes melibatkan

pembuluh-pembuluh kecil berupa mikroangiopati dan pembuluh sedang besar

makroangiopati. Mikroangiopati merupakan lesi spesifik diabetes yang

menyerang kapiler dan arteriola retina (retinopati diabetik), glomerulus ginjal

(neuropati diabetik), dan saraf-saraf perifer (neuropati diabetik) serta otot-otot

dan kulit. (Price, 2006)

Kebutaan yang terjadi pada penderita diabetes disebabkan oleh

retinopati diabetik. Penyebabnya bukan hanya lamanya seseorang menderita

diabetes, faktor lain yang memicu berupa pubertas,kehamilan, dan

hiperglikemia. Jika pada hipoglikemia penderitanya mengalami kadar gula

rendah hal sebaliknya terjadi pada penderita hiperglikemia. Hiperglikemia

menyebabkan bertambahnya kecepatan pembentukan sel-sel membaran dasar.


3

Hal inilah yang menimbulkan kebutaan hingga menurunkan produktifitas

seseorang, lebih jauh lagi akan menjadi beban bagi lingkungan.

Permasalahan retinopati dan menurunnya produktivitas dapat

diminimalisir dengan pendeteksian dini yang dapat dilakukan oleh dokter

umum. Dokter umum memiliki peranan penting dalam deteksi dini retinopati.

Dengan melakukan prosedur penatalaksanaan awal kemudian dilanjutkan

dengan menentukan kasus rujukan ke dokter spesialis mata.

Berdasarkan latar belakang tersebut diatas, untuk mendukung kerja

peranan dokter umum diperlukan suatu sistem deteksi dengan menggunakan

model komputasi. Dengan adanya hal tersebut resiko terjadinya retinopati

dapat diminimalisir. Oleh karena itu peneliti akan membangun suatu sistem

kecerdasan buatan yang mampu mendeteksi tingkat resiko retinopati diabetik

berdasarkan hasil citra digital dari kamera fundus dengan menampilkan hasil

yang sudah diklasifikasikan untuk membantu pengambilan keputusan dan

diagnosis kelanjutan yang akan dilakukan oleh dokter umum.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan sebelumnya peneliti

merumuskan permasalahan yakni,

1. Apakah metode Support Vector Machine dapat digunakan

untuk mengklasifikasikan citra digital retina berwarna untuk

deteksi retinopati diabetik?

2. Berapakah nilai akurasi yang dihasilkan?


4

1.3 Tujuan Penelitian

Tujuan dari dilakukannya penelitian ini untuk melakukan klasifikasi pola

mikrovaskuler pada suatu citra digital retina untuk mendeteksi retinopati

diabetik dengan tepat.

1.4 Batasan Masalah

Mengingat cakupan permasalahan yang akan diteliti begitu luas, maka

peneliti melakukan pembatasan permasalahan yang akan dibahas, meliputi :

1. Citra digital retina yang akan diuji adalah citra digital retina yang berasal

dari database MESSIDOR.

2. Menggunakan inputan citra digital berwarna retina bertipe .tiff

3. Citra inputan mengalami proses preprocessing dengan menggunakan

fungsi yang disediakan library MATLAB.

4. Proses ekstraksi ciri dengan menggunakan filter Gabor 2D.

5. Pengklasifikasian didasarkan pada hasil diagnosa medis yang

menunjukkan jumlah mikroaneurisma, hemorrhages, dan neovaskularisasi.

1.5 Luaran penelitian

Suatu sistem cerdas yang mampu menerima masukan berupa citra digital

retina kemudian menampilkan luaran berupa output yang telah diklasifikasi

berdasarkan tingkat keparahan disertai dengan nilai akurasi.


5

1.6 Metodologi penelitian

Manfaat dan kegunaan dari dilakukannya penelitian ini antara lain :

1. Metode Studi literatur

Studi literatur berfungsi untuk mencari dan mengumpulkan beragam

literatur yang berkaitan dengan penelitian. Metode ini dilakukan dengan

mengumpulkan berbagai informasi tentang retinopati diabetik, citra digital,

ekstraksi fitur, dan Support Vector Machine melalui internet, jurnal, dan

media informasi lainnya.

2. Pengumpulan Data

Tahap ini dilakukan dengan mencari dan mengumpulkan data yang didapat

dari database MESSIDOR.

3. Perancangan

Tahap perancangan merupakan tahap untuk merancang jalannya penelitian

baik dari preprocessing hingga didapatkan hasil klasifikasi.

4. Implementasi dan pengujian

Implementasi merupakan tahap merealisasikan rancangan yang telah

dibuat untuk menghasilkan luaran berupa hasil klasifikasi menggunakan

SVM. Sedangkan pengujian merupakan tahap untuk menguji seberapa

tinggi tingkat akurasi yang dihasilkan.

5. Evaluasi

Menganalisa hasil implementasi dan membuat kesimpulan yang

didasarkan pada hasil yang telah dikerjakan.


6

1.7 Sistematika Penelitian

BAB I PENDAHULUAN

Berisi latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi

penelitian, dan sistematika penulisan.

BAB II LANDASAN TEORI

Berisi landasan teori yang dipakai untuk pembahasan tugas akhir.

BAB III ANALISA DAN PERANCANGAN SISTEM

Bab ini berisi dan gambaran umum mengenai perancangan sistem yang akan

dibangun, yaitu sebuah perangkat lunak yang dapat mengenali citra masukan

dan menghasilkan luaran berupa informasi yang sudah diklasifikasikan

BAB IV IMPLEMENTASI SISTEM

Berisi implementasi sistem menggunakan metode Support Vector Machine.

BAB V ANALISA HASIL DAN PEMBAHASAN

Bab ini berisi analisa hasil dan pembahasan mengenai pengenalan dan

pengujian citra retina.

BAB VI KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran yang diperoleh dari pembuatan tugas

akhir ini, serta beberapa saran untuk mengembangkan sistem lebih lanjut.


BAB II

LANDASAN TEORI

Bab ini menjelaskan tentang teori-teori yang digunakan, yaitu tentang

retinopati diabetik, pengolahan citra digital, ekstraksi fitur, dan klasifikasi

berdasarkan Support Vector Machine.

2.1. Retinopati Diabetik

Diabetes melitus adalah gangguan metabolisme yang secara genetis dan klinis

termasuk heterogen dengan manifestasi berupa hilangnya toleransi karbohidrat.

Jika berkembang secara klinis, maka diabetes melitus ditandai dengan

hiperglikemia puasa dan postpradial, aterosklerotik, dan penyakit vaskular

mikroangiopati, dan neuropati. Pasien dengan kelainan toleransi glukosa ringan

(gangguan glukosa puasa dan gangguan toleransi glukosa) dapat tetap berisiko

mengalami komplikasi metabolik diabetes. (Price, 2006)

Berdasarkan hasil statistik dari berbagai sumber penderita diabetes selalu

mengalami peningkatan dari tahun ke tahun. Tabel 2.1 menunjukan statistik

penderita diabetes versi WHO. Pada tabel 2.1 ditunjukan jumlah penderita pada

tahun 2000 dan prediksi jumlah penderita pada tahun 2030 yang disertai dengan

persentase pertumbuhan penderita diabetes. Indonesia berada pada urutan keempat

dari penderita diabetes terbanyak didunia.

7


8

Tabel 2. 1 Statistik Penderita Diabetes Versi WHO

No N e g a r a Thn. 2000 Thn. 2030 Growth

1 India 31,705,000 79,441,000 151%

2 China 20,757,000 42,321,000 104%

3 United States of

America

17,702,000 30,312,000 71%

4 Indonesia 8,426,000 21,257,000 152%

5 Japan 6,765,000 8,914,000 32%

6 Pakistan 5,217,000 13,853,000 166%

7 Russian Federation 4,576,000 5,320,000 16%

8 Brazil 4,553,000 11,305,000 148%

9 Italy 4,252,000 5,374,000 26%

10 Bangladesh 3,196,000 11,140,000 249%

11 Turkey 2,920,000 6,422,000 120%

12 Philippines 2,770,000 7,798,000 182%

13 Spain 2,717,000 3,752,000 38%

14 Germany 2,627,000 3,771,000 44%

15 Egypt 2,623,000 6,726,000 156%

16 Mexico 2,179,000 6,130,000 181%

17 Islamic Republic of

Iran

2,103,000 6,421,000 205%

18 Canada 2,006,000 3,543,000 77%

19 Republic of Korea 1,859,000 3,378,000 82%

20 United Kingdom of

Great Britain and

Northern Ireland

1,765,000 2,668,000 51%

Diabetes melitus hiperglikemia kronik menimbulkan kerusakan jangka

panjang berupa disfungsi atau kerusakan beberapa organ, terutama mata, ginjal,

saraf, jantung, dan pembuluh darah. Disfungsi yang diderita oleh pengidap

Diabetes Melitus muncul dalam bentuk komplikasi-komplikasi yang dapat dibagi

menjadi tiga kategori, yaitu mikrovaskular, makrovaskular, dan neuropati perifer.

8


9

Komplikasi metabolik diabetes disebabkan oleh perubahan yang relatif akut

dari konsentrasi glukosa plasma. Sedangkan komplikasi vaskular jangka panjang

dari diabetes melibatkan pembuluh-pembuluh kecil mikroangeropati dan

pembuluh-pembuluh sedang dan besar makroangiopati. Mikroangiopati

merupakan lesi spesifik diabetes yang menyerang kapiler dan arteriola retina

(retinopati diabetik) dan saraf-saraf perifer (neuripati diabetik) dan saraf-saraf

perifer (neuropati diabetik), otot-otot serta kulit. Dipandang dari sudut histokimia,

lesi-lesi ini ditandai dengan peningkatan penimbunan glikoprotein. Selain itu,

karena senyawanya kimia dari membran dasar dapat berasal dari glukosa, maka

hiperglikemia menyebabkan bertambahnya kecepatan pembentukan sel-sel

membran dasar.

Perkembangan retinopati berkaitan dengan hiperglikemia yang diawali

oleh keberadaan mikroaneurisma yaitu pelebaran sakular yang kecil dari arteriola

retina. Hal ini yang menyebabkan terjadinya neovaskularisasi dan jaringan parut

yang dapat menumbulkan kebutaan dan disebut dengan retinopati.

Retinopati diabetik terjadi sebagai akibat dari lamanya menderita Diabetes

Melitus. Patofisiologi pada retinopati diabetik melibatkan lima proses yang terjadi

yaitu (Price, 2006) :

1. Pembentukan mikroaneurisma

2. Peningkatan permeabilitas pembuluh darah

3. Penyumbatan pembuluh darah

4. Proliferasi pembuluh darah baru (neovaskular) dan jaringan fibrosa di retina

5. Kontraksi dari jaringan fibrosis kapiler dan jaringan vitreus.


10

Penyumbatan dan kebocoran yang terjadi pada beberapa pembuluh darah

merupakan penyebab terjadinya kebutaan. Tingkat kebocoran yang terjadi

mendasarkan jenis retinopati itu sendiri.

Klasifikasi retinopati Diabetes pada umumnya didasarkan pada beratnya

perubahan mikrovaskular retina dan ada tidak adanya pembentukan pembuluh

darah baru di retina. Early Treatment Diabetic Retinopathy Study Research Group

(ETDRS) membagi retinopati diabetik atas nonproliferatif dan proliferatif.

(W.Sudoyo, dkk, 2009)

Klasifikasi Retinopati Diabetik Menurut ETDRS tersebut sebagai berikut :

Retinopati diabetik nonproliferatif

Retinopati nonproliferatif minimal: terdapat ≥ 1 tanda berupa dilatasi vena,

mikroaneurisma, perdarahan intraretina yang kecil atau eksudat keras.

1. Retinopati nonproliferatif ringan sampai sedang: terdapat ≥ 1 tanda berupa

dilatasi vena derajat ringan, perdarahan, eksudat keras, eksudat lunak atau

IRMA.

2. Retinopati nonproliferatif berat: terdapat ≥ tanda berupa perdarahan dan

mikroaneurisma pada 4 kuadran retina, dilatasi vena pada 2 kuadran, atau

IRMA pada 1 kuadran

3. Retinopati nonproliferatif sangat berat: ditemukan ≥ 2 tanda pada retinopati

non-proliferatif berat.


11

Retinopati diabetik proliferatif

1. Retinopati proliferatif ringan (tanpa resiko tinggi): bila ditemukan minimal

adanya neovaskular pada diskus (NVD) yang mencangkup < ¼ dari daerah

diskus tanpa disertai perdarahan preretina atau vitreus; atau neovaskular di

mana saja di retina (NVE) tanpa disertai perdarahan preretina atau vitreus.

2. Retinopati proliferatif resiko tinggi; apabila ditemukan 3 atau 4 dari factor

resiko sebagai berikut,

3. ditemukan pembuluh darah baru di mana saja di retina,

4. ditemukan pembuluh darah baru pada atau dekat diskus optikus,

5. pembuluh darah baru yang tergolong sedang atau berat yang mencangkup < ¼

daerah diskus,

6. perdarahan vitreus adanya pembuluh darah baru yang jelas pada diskus

optikus atau setiap adanya pembuluh darah baru yang disertai perdarahan,

merupakan dua gambaran yang paling sering ditemukan pada retinopati

proliferatif dengan resiko tinggi.

Kelainan pada retina yang dapat terjadi akibat retinopati diabetik diantaranya

(Kuivalainen, 2005) :

1. Mikroaneurisma merupakan penonjolan dinding kapiler terutama daerah vena

dengan bentuk berupa bintik merah kecil yang terletak dekat pembuluh darah.

2. Hemorrhages biasanya tampak pada dinding kapiler dan terlihat bercak darah

keluar dari pembuluh darah, terlihat berwarna merah gelap, lebih besar dari

mikroaneurisma.


12

3. Hard exudates merupakan infiltrasi lipid ke dalam retina. Gambarannya

khusus yaitu tidak beraturan dan kekuning-kuningan.

4. Soft exudates sering disebut cotton wool patches merupakan iskemia retina,

terlihat bercak berwarna kuning bersifat difus dan berwarna putih.

5. Neovaskularisasi atau pembuluh darah baru biasanya terletak di permukaan

jaringan, tampak sebagai pembuluh darah yang berkelok-kelok, dalam,

berkelompok dan tidak beraturan.

Tabel 2. 2 Bentuk Kelainan Retina

Jenis Ukuran Warna Bentuk Keterangan

lain

Mikroaneurisma Sangat kecil Merah gelap Bercak -

Hemorrhage Kecil hingga

besar

Merah gelap Titik atau

flame

-

Hard Exudates Kecil hingga

besar

Kuning Tidak

beraturan

Tepi jelas

Soft Exudates Kecil hingga

medium

Keputih-

putihan

Biasanya

oval

Tepi blur

Neovaskularisasi Bervariasi Merah Bervariasi Pembuluh

darah baru

Hasil diagnosa medis setiap citra dapat menunjukkan tingkat retinopati diabetik

(Setiawan, 2012):

0 (Normal): (μA = 0) AND (H = 0)


13

1 : (0 < μA = 15) OR (H >=5) OR (NV = 1)

μA adalah jumlah mikroaneurisma, H adalah jumlah hemorrhages, NV = 1 artinya

terdapat neovaskularisasi, NV = 0 artinya tidak terdapat neovaskularisasi.

2.2. Pengolahan Citra Digital

Secara umum, istilah pengolahan citra digital menyatakan “pemrosesan

gambar berdimensi-dua melalui computer digital”. Menurut Efford, pengolahan

citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk

memanipulasi dan memodifikasi citra dengan berbagai cara. (Abdul Kadir, 2013)

Suatu citra dapat didefinisikan sebagai fungsi y f(x,y) berukuran M baris

dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik

koorditat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik

tersebut. Apabila nilai x,y dan nilai amplitude f secara keseluruhan berhingga

(finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra

(Putra, 2010).

Pada pengenalan pola, pengolahan citra antara lain berperan memisahkan

objek dari latar belakang secara otomatis. Selanjutnya objek akan diproses oleh

pengklasifikasi pola.

Seringkali dijumpai citra yang memiliki kualitas rendah akibat kekurangan

sinar ketika dibidik. Dengan menggunakan pengolahan citra, citra seperti itu dapat

diperbaiki melalui peningkatan kecerahan dan kontras. Pada penelitian ini

dilakukan penajaman dengan kontras dengan CLAHE (Contras Limited Adaptive


14

Histogram Equalization). CLAHE dapat digunakan sebagai alternative pengganti

ekualisasi histogram. Ekualisasi histogram bekerja pad seluruh citra, sedangkan

CLAHE beroperasi pada daerah kecil di citra yang disebut blok. Setiap blok

ditingkatkan nilai kontrasnya, sehingga histogram dari wilayah sekitar cocok

untuk histogram tertentu. Setelah melakukan pemerataan, CLAHE

menggabungkan blok tetangga menggunakan interpolasi biner untuk

menghilangkan batas-batas artifisial. CLAHE juga dapat dilakukan untuk

menghindari derau yang ada pada citra dengan membatasi daerah homogen.

(Setiawan, 2012) .

2.3 Pengenalan Pola

Pengenalan pola (pattern recognition) adalah suatu ilmu untuk

mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran

kuantitatif fitur (ciri) atau sifat utama dari suatu obyek. Pola sendiri adalah suatu

entitas yang terdefinisi dan dapat diidentifikasikan serta diberi nama. Pola bisa

merupakan kumpulan hasil pengukuran atau pemantauan dan bisa merupakan

kumpulan hasil pengukuran atau pemantauan dan bisa dinyatakan dalam notasi

vektor atau matriks (Putra, 2010)

Pada dasarnya pengenalan pola terdiri dari beberapa mekanisme utama

yang tergantung dari pendekatan yang dilakukan. Beberapa kasus data yang sudah

diklasifikasikan diasumsikan tersedia untuk melatih sistem. Penelitian ini

mengelompokkan mekanisme pengenalan pola dalam sistem pengenalan pola

yang ditunjukan pada struktur berikut :


15

Gambar 2.1Mekanisme Pengenalan Pola

Pra pengolahan berfungsi mempersiapkan data citra digital retina agar

dapat menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini

dilakukan proses grayscaling, penajaman kontras, dan cropping yang bertujuan

untuk menonjolkan ciri dan mengurangi dimensi data.

Pencari dan seleksi fitur merupakan langkah untuk menemukan

karakteristik pembeda yang mewakili sifat utama pada citra digital retina

sekaligus mengurangi dimensi menjadi sekumpulan bilangan yang lebih sedikit

namun representatif.

Klasifikasi berfungsi mengelompokan hasil ekstraksi fitur ke dalam kelas

yang sesuai dengan menggunakan pemisah kelas.

2.3.1. Ekstraksi fitur

Ekstraksi fitur merupakan langkah awal dalam melakukan klasifikasi dan

interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke

dalam sekelompok nilai ciri yang sesuai. Secara umum metode ekstraksi fitur

dikelompokkan menjadi empat bagian (Putra, 2010) yaitu :

1. Berdasarkan bentuk atau topologi

2. Berdasarkan sifat-sifat permukaan atau tekstur

3. Berdasarkan struktur geometri

4. Berdasarkan warna

Klasifikasi

Pra

pengolahan

Pencari dan

Seleksi Fitur


16

Fitur menurut D.G. Kendall (M.B Stegman, 2002) dinyatakan dengan

susunan bilangan yang dapat dipakai untuk mengidentifikasi objek.

Fitur-fitur suatu objek mempunyai peran penting untuk berbagai aplikasi

berikut :

1. Pencarian citra : fitur dipakai untuk mencari objek-objek tertentu yang

berada

di dalam database.

2. Penyederhanaan dan hampiran bentuk : bentuk objek dapat dinyatakan

dengan representasi yang lebih ringkas

3. Pengenalan dan klasifikasi: sejumlah fitur dipakai untuk menentukan jenis

objek.

Untuk kepentingan aplikasi yang telah disebutkan, fitur hendaknya efisen.

Fitur yang efisien perlu memenuhi sifat-sifat penting berikut : (Mingqiang,

Kidiyo, & Joseph, 2008) :

1. Teridentifikasi : fitur berupa nilai yang dapat digunakan untuk

membedakan antara suatu objek dengan objek lain. Jika kedua fitur

tersebut didampingkan, dapat ditemukan perbedaan hakiki.

2. Tidak dipengaruhi oleh translas, rotasi, dan penyekalan. Dua objek sama

tetapi berbeda dalam lokasi, arah pemutaran, dan ukuran tetap dideteksi

sama.

3. Tidak bergantung pada affline

4. Tahan terhadap derau


17

5. Tidak bergantung pada tumpang tindih

6. Tidak bergantung secara statis : dua fitur harus tidak bergantung satu

dengan yang lain secara statistik.

2.3.1.1 Filter Gabor 2D

Metode Filter Gabor 2D mampu menghubungkan representasi tekstur dan

detektor citra yang optimal. Fungsi fabor Filter 2D juga mampu

meminimalisasi ciri yang tidak penting dalam citra. (Mandasari, dkk, 2012)

Filter Gabor 2D diperoleh dari sebuah fungsi Gaussian yang dimodulasi

menggunakan variasi frekuensi ditunjukkan dengan

Fungsi Gaussian 2-D ditunjukkan dengan persamaan :

(2.1)

Dengan nilai dan nilai . x

dan y merupakan nilai koordinat piksel dalam citra, f merupakan frekuensi

gelombang sinusoidal, merupakan kontrol terhadap orientasi dari sebuah

fungsi Filter Gabor 2D, dan σ merupakan standar deviasi dimana .

Fungsi kompleks filter Gabor 2D ditunjukkan dengan persamaan :

(2.2)

Real

(2.3)


18

Imaginer

(2.4)

2.3.1.2 Principal Component Analysis

Analisis komponen utama atau Pincipal Component Analysis adalah salah

satu cara mengidentifikasi pola dalam data dan mengekspresikannya

sedemikian rupa sehingga dapat terlihat persamaan dan perbedaannya. Pola ini

berguna untuk mengkompresi data, yaitu mengurangi ukuran atau dimensi

data tanpa kehilangan banyak informasi yang terkandung.

Principal Component Analysis (PCA) melakukan/ transformasi set data

dari dimensi lama ke dimensi baru (yang relatif berdimensi lebih rendah)

dengan memanfaatkan teknik dalam aljabar linear, tanpa memerlukan

masukan parameter tertentu dalam memberikan hasil pemetaan. Tujuan dari

PCA yaitu meminimalkan redundansi yang diukur oleh nilai jarak dari

kovarian dan memaksimalkan nilai keluaran pemetaan, diukur dengan varian.

Jika data dalam dimensi asli sulit untuk dipresentasikan melalui grafik,

maka data tersebut disederhanakan menggunakan data set yang

dipresentasikan melalui rumus. Misalkan mempunyai data set yang sudah

decentering dengan kovarian

(2.5)

Maka PCA menyelesaikan problem eigenvalue sebagai berikut :


19

(2.6)

atau

(2.7)

Persamaan di atas bisa diselesaikan untukmencari nilai dengan

menyelesaikan

(2.8)

Untuk eigenvalue dan eigenvector dengan solusi

adalah eigenvector dan adalah eigenvalue yang terletak dalam span

(Santoso, 2007)

2.3.1.3 Support Vector Machine

Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon,

Vapnik. Pertama kali dipresentasikan pada tahun 1992 di Annual Workshop

on Computational Learning Theory. SVM merupakan metode yang berusaha

menemukan hyperplane terbaik pada input space. Prinsip dasar SVM adalah

pengklasifikasi linier, dan selanjutnya dikembangkan agar dapat bekerja pada

permasalahan nonlinier dengan memasukkan konsep kernel trick pada ruang

kerja berdimensi tinggi. (Nugroho dkk, 2003).

Hyperplane (batas keputusan) pemisah terbaik antara kedua kelas dapat

ditemukan dengan mengukur margin dan mencari titik maksimalnya. Margin

adalah jarak antara hyperplane tersebut dengan data terdekat dari masing-

masing kelas. Data yang paling dekat ini disebut sebagai support vector.


20

Usaha untuk mencari lokasi hyperplane merupakan inti dari proses

pelatihan pada SVM. Data latih yang tersedia dinyatakan oleh (xi, yi)

dengan i = 1, 2, …, N, dan xi = xi1, xi2, … xiq)T sebagai atribut (fitur) set

untuk data latih yang ke-i, Untuk yi ϵ {-1,+1} menyatakan label kelas.

Diasumsikan terpisah oleh hyperplane klasifikasi linear SVM, yang

dinotasikan :

(2.9)

w dan b adalah parameter model. Secara teknis SVM bertujuan

menentukan variabel w dan b sehingga data pelatihan dideskripsikan sebagai :

(2.10)

(2.11)

Agar SVM dapat bekerja pada permasalahan non-linear, perlu proses

pemetaan dengan menggunakan perhitungan dot-product dua buah data pada

ruang fitur baru untuk memetakan data ke dimensi yang lebih tinggi. Teknik

komputasi ini disebut dengan kernel trick, yaitu menghitung dot-product dua

buah vector di ruang dimensi baru dengan menggunakan komponen kedua

buah vector tersebut di ruang dimensi asal sebagai berikut:

K(xi,xj)=Φ(xi).Φ(xj) (2.12)


21

Dan untuk prediksi pada set data dengan dimensi fitur yang baru

diformulasikan :

(2.13)

N adalah jumlah data yang menjadi support vector, xi adalah support

vector, dan z adalah data uji yang akan dilakukan prediksi.


BAB III

METODOLOGI PENELITIAN

Bab Analisa dan Perancangan Sistem merupakan bab yang berisi

penjelasan mengenai gambaran proses yang akan dilalui beserta cara kerja yang

akan digunakan dalam penelitian.

3.1.Data

Data yang digunakan untuk penelitian merupakan data yang dimiliki oleh

MESSIDOR (Methods to evaluate segmentation and indexing techniques in the

field of retinal ophthalmology). MESSIDOR adalah program penelitian Techno

Vision yang didanai oleh Kementrian Riset dan Pertahanan Perancis pada tahun

2004.

Data MESSIDOR yang digunakan berupa data citra digital retina

berekstensi .tiff . Data yang digunakan berjumlah 100 data citra yang terdiri dari

25 data mata normal, 25 data grade 1, 25 data grade 2, dan 25 data grade 3.

Penampakan data citra yang digunakan dapat dilihat pada halaman lampiran.

Data citra yang digunakan mengandung informasi utnuk menentukan

tingkat keparahan retinopati diabetik yang diderita. Informasi tersebut ditunjukan

oleh jumlah mikroaneurisma, hemorrhages, dan neovaskularisasi yang terdapat

pada masing-masing citra.

22


23

Contoh citra retina sehat dan yang terjangkit retinopati diabetik

ditunjukkan pada gambar 3.1

Grade 0

Grade 1

Grade 2

Grade 3

Gambar 3. 1 Citra digital retina grade0, grade 1, grade 2, grade 3

3.2.Metodologi Penelitan

Penelitian yang dilakukan menggunakan data citra digital berwarna

sebagai masukkan. Karakter yang akan dikenali pada citra tersebut berupa

beratnya perubahan mikrovaskular retina dan ada tidaknya pembetukan pembuluh

darah baru.

Input yang diproses dengan menggunakan ekstensi .tiff dengan ukuran

asli 2240x1488 pixel berupa citra digital berwarna retina. Data cita masukkan

akan melalui preprocessing yang terdiri dari beberapa langkah. Langkah untuk

melakukan preprocessing diawali dengan memisahkan kanal yang terdiri dari


24

kanal merah, hijau, dan biru. Hasil dari kanal hijau yang digunakan pada

penelitian. Citra kanal hijau kemudian mengalami penajaman kontras untuk

menonjolkan informasi di dalamnya. Hasil dari penajaman kontras dikenai proses

binerisasi kemudian dinegasikan. Untuk semakin meminimalkan ukuran

dilakukan proses cropping. Gambaran dari keseluruhan sistem yang dibuat

ditunjukkan pada gambar 3.2 berupa diagram blok keseluruhan sistem.

Gambar 3. 2 Diagram Blok Keseluruhan Sistem

Preprocessing

cropping

Preprocessing

Klasifikasi Support

Vector Machine tahap

training

Dataset citra berwarna

retina

Modelling

SVM

merah

Binerisasi

Citra

Asli hijau

Penajaman

kontras

Negasi cropping

biru

merah

Binerisasi cropping

Citra

Asli hijau

Penajaman

kontras

Negasi cropping

biru

Input dataset

pelatihan hasil dari

preprocessing

Ekstraksi ciri Filter

Gabor 2D

Input data

testing

Ekstraksi ciri

Filter Gabor 2D

Klasifikasi Support

Vector Machine

tahap testing

Hasil

klasifikasi


25

3.3. Metode Preprocessing

Proses preprocessing diperlukan dalam pengolahan suatu citra digital

berwarna. Fungsinya untuk memperbaiki kualitas suatu citra dan mengolah

informasi di dalamnya untuk proses berikutnya. Pada tahap ini sinyal informasi

ditonjolkan dan sinyal pengganggu (derau) diminimalisasi (Putra, 2010).

Gambar 3. 3 Diagram Blok Preproses

Proses preprocessing yang akan dilkaukan diawali dengan memisahkan

citra asli berdasarkan kanal merah, hijau, dan biru. Kemudian diambil kanal

hijau dan dilakukan penajaman kontras. Hasil penajaman kontras dikenai

binerisasi dan dinegasikan. Keduanya di-cropping untuk nantinya menjadi

masukkan pada tahap ekstraksi fitur.

3.3. Metode Ekstraksi Fitur dengan Menggunakan Filter Gabor 2D

Metode ekstraksi fitur dengan menggunakan Filter Gabor digunakan

karena mampu mengenali karakteristik pada sistem visual manusia. Cara untuk

mendapatkan nilai fitur yang terbaik pada Filter Gabor dengan mengubah nilai

parameternya. Parameter yang dimiliki oleh filter Gabor antara lain frekuensi

filter, sudut orientasi, lebar pita frekuensi, lebar pita angular, standar deviasi, dan

meshgrid. (Mandasari, 2012).

merah Preprocessing

hijau

biru

Binerisasi

cropping

Citra Asli Penajaman

kontras

Negasi

cropping


26

Algoritma untuk melakukan ekstraksi fitur menggunakan Gabor Filter berupa :

1. Menentukan nilai sigma,theta, dan F

2. Ambil data berupa citra digital berwarna retina, kemudian data tersebut

dibagi dua untuk digunakan sebagai data training dan data testing

3. Melakukan multiple Gabor Transforms dengan perngubahan parameter

ke data training, dan menggunakan perubahan gambar sebagai fitur.

4. Menambahkan Gabor Linear Modeling ke data training.

5. Setelah menghasilkan GLM dari data training, kita akan menguji

seberapa baik Gabor dengan penambahan GLM dalam menghasilkan

fitur pada testing

6. Seteleh mendapatkan nilai output dari GLM menggunakan ekstraksi

fitur dari testing image, didapatkan hasil seberapa baik pendeteksi

dapat menunjukan lokasi kelainan.

3.4. Metode Klasifikasi Menggunakan Support Vector Machine

Untuk dapat menggunakan PCA dengan tepat digunakan algoritma berikut :

1. Matriks X adalah hasil pengurangan rata-rata dari setiap dimensi data pada

matriks data.

2. Matriks Cx adalah covariance matrix dari matriks X.

3. Hitung eigenvector dan eigenvalue dari Cx .

4. Pilih component dan bentuk vector feature dan principal component dari

eigenvector yang memiliki eigenvalue paling besar diambil.

5. Menurunkan set data yang baru.


27

Algoritma untuk melakukan klasifikasi menggunakan SVM adalah sebagai

berikut :

1. Tentukan H dimana

Hij = yiyjxi.xj (3.1)

2. Cari α sehingga

(3.2)

3. Menjadi maksimal, dengan syarat :

(3.3)

4. Hitung

(3.4)

5. Tentukan seluruh support vector S dengan mencari indexnya dimana αi ≥ 0

6. Hitung

(3.5)

7. Tiap titik baru x’ dapat terklarifikasi dengan memeriksa

(3.6)

Fungsi kernel yang biasa digunakan dalam literature SVM :

1. Linear

(3.7)

2. Polynomial

(3.8)

3. Gaussian RBF


28

(3.9)

4. Sigmoid(tangen hiperbolik)

(3.10)

Klasifikasi non-linear

1. Lakukan pemetaan data ke dimensi lebih tinggi dengan kernel yang dipilih

2. Tentukan H dimana

(3.11)

3. Cari α sehingga

(3.12)

Menjadi maksimal, dengan syarat :

(3.13)

4. Hitung

(3.14)

5. Tentukkan seluruh support vector S dengan mencari indexnya dimana

6. Hitung

(3.15)

7. Tiap titik baru x’ dapat terklasifikasi dengan memeriksa


29

(3.16)

3.5. Evaluasi hasil

Pada K-Fold cross validation dataset yang utuh dipecah secara random

menjadi k subset dengan size yang hampir sama dan saling eksklusif satu sama

lain. Model pada klasifikasi di latih dan diuji sebanyak k kali. Setiap proses

pelatihan semua dilatih pada semua fold kecuali hanya sat fold yang digunakan

untuk proses pengujian. Penilaian cross-validation terhadap akurasi model secara

keseluruhan dihitung dengan mengambil rerata dari semua hasil akurasi individu

‘k’, seperti yang ditunjukkan dengan persaman berikut:

(3.17)

Keterangan :

Σ data benar = jumlah angka pada diagonal matriks

Σ seluruh data = keseluruhan data yang digunakan untuk pengujian


BAB IV

IMPLEMENTASI DAN ANALISA SISTEM

Bab implementasi dan analisa sistem merupakan bab yang menjelaskan

implementasi yang telah dipaparkan pada bagian metodologi. Berupa

preprocessing, ekstraksi fitur, klasifikasi menggunakan metode Support Vector

Machine, hingga mendapatkan nilai akurasi menggunakan confusion matrix.

4.1. User Interface

Untuk mempermudahkan dalam melakukan klasifikasi pada penelitian ini

dibuat suatu user interface. User interface ini dibuat untuk membantu dalam

preproses, ekstraksi fitur hingga mendapatkan hasil klasifikasi beserta akurasinya.

Halaman utama ditunjukkan pada gambar 4.1 . Pada halaman utama terdiri dari

beberapa bagian menu, untuk preprocessing dan klasifikasi, serta halaman untuk

melakukan pengujian dengan data tunggal.

30


31

Gambar 4. 1 User interface Halaman utama

Halaman preprocessing untuk menampilkan bagian yang digunakan untuk

tahap preprocessing. Implementasi halaman preprocessing dapat dilihat pada

gambar 4.2

Gambar 4. 2 Halaman Preprocessing


32

Halaman Hasil preprocesising merupakan halaman yang menunjukan data

citra yang sedang mengalami proses preprocessing, data citra yang ditampilkan

pada halaman tersebut akan berubah-ubah sesuai dengan data yang sedang

diproses.

Gambar 4. 3 Halaman Hasil Preprocessing

Halaman hasil klasifikasi merupakan halaman yang menunjukan hasil

klasifikasi seluruh dataset yang berjumlah 100 data citra. Pada panel ini

ditunjukkan jumlah data yang diklasifikasikan pada kelas yang benar melalui

confusion matriks. Nilai akurasi yang ditunjukkan didapatkan dari perhitungan

nilai jumlah data benar yang dibagi dengan seluruh data yang digunakan.


33

Gambar 4. 4 Halaman Hasil Klasifikasi

Gambar 4.5 merupakan panel untuk melakukan uji tunggal. Pada panel ini

masukan berupa citra tunggal yang akan mengalami preproses dan ekstraksi fitur

seperti pada proses klasifikasi yang dilakukan pada dataset. Perbedaan pada uji

tunggal citra masukan dideteksi satu per satu dan data yang dimasukan bukan

berasal dari dataset yang digunakan untuk training.

Gambar 4. 5 Tampilan Uji Tunggal

4.2. Analisis Hasil

4.2.1 Preprocessing

Tahap preprocessing merupakan tahapan awal sebelum dilakukan ekstraksi

fitur dan klasifikasi. Proses preprocessing berjalan jika button proses diklik

kemudian semua data yang dimiliki akan dilooping satu per satu.


34

Data yang ada tersimpan dalam folder dataFoto, untuk membaca folder

tersebut digunakan fungsi strcat, dan untuk melakukan looping nilai i diset

untuk folder yang menunjukkan kelas yang dimiliki sejumlah 4, di dalam folder

tersebut terdapat data citra yang masing-masing berjumlah 25 citra, untuk

meloopingnya digunakan j. proses looping yang terjadi ditunjukkan pada

potongan source code berikut

Kode Program 4. 1 looping dataFoto

Citra masukkan yang digunakan berupa citra digital berwarna retina..

Preprocessing diawali dengan melakukan pemisahan kanal warna. Komponen

kanal pada suatu citra berwarna terdiri dari tiga unsur, yaitu merah, hijau, dan

biru. Pemisahan kanal tersebut dilakukan dengan menggunakan

red=data(:,:,1) untuk mendapatkan kanal merah, green=data(:,:,2) kanal

hijau, dan blue=data(:,:,3)kanal biru. Selanjutnya dilakukan perbaikan kontras

dengan CLAHE untuk mendapatkan citra dengan tingkat kontras yang sesuai

sehingga detail pembuluh darah pada citra nampak jelas. CLAHE memperbaiki

kontras citra secara adaptif dengan ukuran window tertentu sehingga kontras

keseluruhan citra optimal dapat tercapai. (Mandasari, dkk, 2012) Matlab memiliki

fungsi CLAHE berupa adapthisteq. Lakukan penajaman kontras tersebut pada

semua kanal warna ad_red=adapthisteq (red);, ad_green=adapthisteq

(green);dan ad_blue=adapthisteq (blue);. Contoh perubahan pada citra

for i=1:4

folder=strcat('dataFoto\GRADE',num2str(n),'\');

for j=1:25

file = strcat(folder,'grade',num2str(n),'

(',num2str(j),').tif');


35

yang telah mengalami pemisahan kanal dan penajaman kontras ditunjukan pada

gambar

Gambar 3. 4 Citra Kanal merah, hijau, biru

Tidak semua kanal citra mampu menunjukkan informasi yang maksimal.

Untuk segmentasi mikroaneurisma kanal citra yang diambil adalah kanal hijau,

karena pada kanal ini mikroaneurisma dan pembuluh darah akan terlihat gelap dan

jelas jika dibanding yang lain (Zahara, dkk, 2011).

Selanjutnya dilakukan proses binerisasi pada citra kanal hijau untuk

masukkan pada Filter Gabor. Mengubah citra kanal hijau menjadi citra biner

dilakukan dengan menggunakan fungsi binerisasi yang dimiliki oleh matlab g =

im2bw(Gambar2). im2bw memiliki fungsi mengubah image ke dalam bentuk

biner.

Mengingat ukuran citra yang diolah tinggi perlu dilakukan pemisahan pada

bagian data yang memberikan informasi dengan background. Cara ini dilakukan

dengan menemukan titik tengah pada citra menggunakan center = [lebar/2

tinggi/2]; yang selanjutnya digunakan untuk memisahkan daerah digunakan

menggunakan rumus luas lingkaran pada code program 3.2.

Merah Hijau Biru


36

Kode Program 3. 1 Cropping

Citra biner yang sudah melakukan proses binerisasi dan cropping

diinverskan dengan menggunakan tanda ~ sehingga neg=~g; untuk dijadikan

masukkan pada tahap Filter Gabor 2D. Bentuk citra yang telah mengalami

preprocessing dan akan digunakan ditunjukan pada gambar 3.5 Citra yang

dibinerisasi dinamakan biner, dan citra hasil invers nya dinamakan negasi.

Biner

Negasi

Gambar 3. 5 Citra biner dan Negasi

4.2.2 Filter Gabor 2D

Proses ekstraksi dengan menggunakan filter Gabor 2D dimulai dengan

menentukan nilai sigma, theta, dan F. Masukkan untuk filter gabor 2D berupa

[lebar tinggi]=size(g);

center = [lebar/2 tinggi/2];

jari = min(center);

for a=1:lebar

for b=1:tinggi

jarak = sqrt((a - center(1)) .^ 2 + (b - center(2)) .^

2);

if jarak > jari

g(a, b) = 255;

end

end

end


37

citra biner dan citra yang dinegasikan. Awali proses dengan menentukan training

image dan testing image. Masukkan yang digunakan untuk melakukan training

dan testing ini merupakan data biner dan negasi hasil dari preprocessing

Untuk melakukan ektraksi fitur pada training image inisialisasikan

parameter untuk melakukan multiple Gabor transform seperti yang ditunjukkan

pada code program 4.2

Kode Program 4. 2 Inisialisasi parameter Gabor Transform

Parameter yang diinisialisasikan pada code program 4.2 berguna untuk

melakukan multiple gabor transform yang selanjutnya ditambahkan Gabor Linear

Model untuk mendapatkan feature. Penambahan Gabor Linear Model dilakukan

dengan menggunakan fungsi glmfit yang dimiliki Matlab.

Kode Program 4. 3 Penambahan glm

Nilai hasil ekstraksi disimpan dan dilakukan proses transpose. Transpose

matriks dilakukan dengan memberikan tanda petik (‘) pada nilai yang akan

ditranspos. Transpose matrik merupakan merubah baris menjadi kolom, atau

kolom jadi baris. Transpose matriks yang terjadi disini merupakan perubahan

% initialize parameters for Gabor transforms

filter_size = 50.*scale;

filter_size_halfed = round((filter_size)/2);

Fs = 0.1:0.1:0.4;

sigmas = [2:2:2].*scale;

thetas=pi/12:pi/12:pi-pi/12;

% reshape feature array

szG = size(features);

features = reshape(features,[prod(szG(1:2)),prod(szG(3:end))]);

% fit GLM with the features and the location of the vessels

b = glmfit(features,trainingAns(:),'normal');

% see the output of the model based on the training features

CTrain = glmval(b,features,'logit');

CTrain = reshape(CTrain,szG(1:2));


38

kolom menjadi baris. Tujuan dilakukannya transpose untuk memudahkan

pembacaan data pada saat melakukan klasifikasi.

Kode Program 4. 4 Transpose hasil ekstraksi

Hasil dari preprocessing dan ekstraksi ditunjukkan pada tabel 4.1. Pada

tabel tersebut terdapat 100 data dengan dimensi data masing-masing 122. Baris

pertama tidak termasuk data hasil ekstraksi. Baris pertama menunjukkan label

yang dimiliki data tersebut. Label ini akan berguna ketika melakukan proses

klasifikasi, yang gunanya mencocokan data tersebut berada di kelas mana.

4.2.3 Support Vector Machine

Pengujian dilakukan dengan cara mengubah-ubah fungsi kernel pada

SVM pada proses training. Tujuan dilakukannya proses tersebut untuk

menemukan fungsi kernel terbaik agar menghasilkan nilai akurasi yang tinggi.

Untuk melakukan klasifikasi ambil dataset hasil preprocessing dan ekstraksi

fitur yang disimpan dalam bentuk matrik dengan menggunakan fungsi load

matlab yang dilanjutkan dengan nama file berupa hasilPreprocessing.mat.

Kode Program 4. 5 Option PCA

Untuk melakukan klasifikasi dengan data yang di pca isi nilai option

pada kelas svm dengan nilai 1, untuk melakukan klasifikasi tanpa

menambahkan PCA nilai option diisi dengan nilai 0. Dataset hasil ekstrasi

[b]=ekstraksi( Img,bwImg);

b=b';

bHasil=[bHasil;b];

if option == 1

[ att, ~ ] = pca( att, pc);

save ('dataPCA.mat','att');

end


39

%melakukan prediksi

for i=1:m

prediksi(1) = svmclassify(SVMStruct_1,data_latih(i,:));

tanpa mengunakan PCA ditunjukkan pada tabel 4.1, sedangkan dataset yang

dikenai PCA ditunjukkan pada tabel 4.2.

Tabel 4. 1Hasil Ekstraksi sebelum PCA

Tabel 4. 2 Hasil PCA

Dataset yang baik yang menggunakan PCA atau tidak akan dicocokan

dengan prediksi klasifikasi yang dibuat pada kelas svm. Pencocokan ini

digunakan untuk menentukan data tersebut berada di kelas mana. Source code

untuk melakukan prediksi ditunjukkan pada kode program 4.6.

kelas_1 = [1 1 1 1];

kelas_2 = [0 0 1 1];

kelas_3 = [0 1 0 1];

kelas_4 = [0 1 1 0];


40

Code Program 4. 6 Menentukan Prediksi SVM

Data yang telah diklasifikasi dan dilakukan prediksi, akan dihitung

nilai akurasinya. Untuk menghitung nilai akurasi dilakukan dengan membagi

jumlah data benar dengan jumlah seluruh data yang kemudian hasilnya

dikalikan dengan 100 untuk mendapatkan nilai persentase. Pada penelitian ini

dilakukan dengan membentuk confusionmatrik menggunakan fungsi

confusionmat membandingkan kelas latih dengan kelas uji hasil. Untuk

mendapatkan nilai prosentase akurasi dilakukan dengan menjumlahkan

diagonal hasil prediksi sebagai jumlah data benar dan dibagi dengan jumlah

hasil prediksi sebagai jumlah data keseluruhan. Hasil pembagian keduanya

dikali dengan 100 untuk mendapatkan nilai persentase.

Code Program 4. 7 Hitung Akurasi

prediksi(2) =

svmclassify(SVMStruct_2,data_latih(i,:)); prediksi(3)

= svmclassify(SVMStruct_3,data_latih(i,:));

prediksi(4) = svmclassify(SVMStruct_4,data_latih(i,:));

jarak(1) = sum(xor(prediksi, kelas_1));




[a, idx_kelas] = min(jarak);

kelas_uji_hasil(i) = idx_kelas;

end

[kelas_latih, kelas_uji_hasil]= svm( data,pc,option);

hasil_prediksi = confusionmat(kelas_latih, kelas_uji_hasil);

akurasi=(sum(diag(hasil_prediksi))/sum(hasil_prediksi(:)))*100;

assignin('base','hasil_prediksi',hasil_prediksi);

assignin('base','akurasi',akurasi);


41

Percobaan untuk mendapatkan nilai akurasi terbaik yang dilakukan

menggunakan 2 cara seperti yang sudah dijelaskan sebelumnya, yakni dengan

melakukan perubahan pada fungsi kernel dan masukan dataset tanpa PCA dan

masukkan yang dikenai PCA. Pada saat percobaan dataset yang dimasukan tidak

sekaligus dua dataset PCA dan tanpa PCA, melainkan salah satu jenis dengan

salah satu kernel. Kemudian dilakukan perhitungan akurasi, untuk menentukan

yang paling optimal dan digunakan.

Menghitung nilai akurasi dilakukan dengan menjumlahkan diagonal

pada confusion matrix sebagai jumlah data benar. Kemudian dibagi total seluruh

data yang dimiliki dan dikali 100. Percobaan pertama dilakukan dengan

menggunakan Kernel Polynomial orde 2 seperti yang ditunjukkan pada tabel

Tabel 4. 3 Confusion Matrix Kernel Polynomial orde 2 tanpa PCA

Grade0 Grade1 Grade2 Grade3

Grade0 24 1 0 0

Grade1 12 11 0 2

Grade2 23 0 0 2

Grade3 16 2 0 7

Hasil dari percobaan menggunakan Kernel Polynomial orde 2

didapatkan 24 data benar terklasifikasi pada grade 0, 11 data terklasifikasi benar

pada grade 1, tidak ada data yang terklasifikasi benar pada grade 2, dan 7 data

yang terkalsifikasi benar pada grade 3. Nilai akurasi didapatkan dengan

menjumlahkan nilai 24, 11, 0, dan 7 dikalikan dengan jumlah data yang dimiliki

sejumlah 100 dan dikalikan 100 untuk mendapatkan persentase. Hasilnya Kernel


42

Polynomial orde 2 menghasilkan nilai akurasi sebesar 42%. Hal yang sama

dilakukan pada kernel lain

Tabel 4. 4 Confusion Matrix Kernel Polynomial Order 3 tanpa PCA


Grade0 23 2 0 0

Grade1 12 11 0 2

Grade2 20 0 1 4

Grade3 13 2 0 10

Dari 100 data yang diujikan pada Kernel Polynomial Order 3 yang

ditunjukkan pada tabel 4.4 didapatkan 45 data terdeteksi dengan benar terdiri

dari 23 data pada grade 0, 11 data grade 1, 1 data grade 2, dan 10 data grade

3. Nilai akurasi yang diperoleh sebesar 45%.

Tabel 4. 5 Confusion Matrix Kernel Linear tanpa PCA


Grade0 25 0 0 0

Grade1 18 5 0 2

Grade2 23 0 0 2

Grade3 19 0 0 6

Tabel 4.5 menunjukkan hasil Confusion Matrix Kernel Linear tanpa PCA

didapatkan 36 data terdeteksi dengan benar terdiri dari 25 data pada grade 0, 5

data grade 1, tidak ada data terdeteksi benar pada data grade 2, dan 6 data

grade 3. Nilai akurasi yang diperoleh sebesar 36%.


43

Tabel 4. 6 Confusion Matrix Kernel Quadratic tanpa PCA


Grade0 24 1 0 0

Grade1 12 11 0 2

Grade2 23 0 0 2

Grade3 16 2 0 7

Tabel 4.6 menunjukkan hasil Confusion Matrix Kernel Linear tanpa

PCA didapatkan 42 data terdeteksi dengan benar terdiri dari 24 data pada

grade 0, 11 data grade 1, tidak ada data terdeteksi benar pada data grade 2,

dan 7 data grade 3. Nilai akurasi yang diperoleh sebesar 42%.

Tabel 4. 7 Confusion Matrix Kernel RBF tanpa PCA


Grade0 25 0 0 0

Grade1 18 5 0 2

Grade2 23 0 0 2

Grade3 19 2 0 6

Tabel 4.7 menunjukkan hasil Confusion Matrix Kernel RBF tanpa PCA

didapatkan 36 data terdeteksi dengan benar terdiri dari 25 data pada grade 0, 5

data grade 1, tidak ada data terdeteksi benar pada data grade 2, dan 6 data

grade 3. Nilai akurasi yang diperoleh sebesar 36%.


44

Tabel 4. 8 Confusion Matrix Kernel Least Square Method tanpa PCA


Grade0 25 0 0 0

Grade1 18 5 0 2

Grade2 23 0 0 2

Grade3 19 0 0 6

Tabel 4.8 menunjukkan hasil Confusion Matrix Kernel Least Square

Method tanpa PCA didapatkan 36 data terdeteksi dengan benar terdiri dari 25

data pada grade 0, 5 data grade 1, tidak ada data terdeteksi benar pada data

grade 2, dan 6 data grade 3. Nilai akurasi yang diperoleh sebesar 36%.

Tabel 4. 9 Confusion Matrix Kernel Quadratic Programming Method tanpa PCA


Grade0 25 0 0 0

Grade1 18 5 0 2

Grade2 23 0 0 2

Grade3 19 0 0 6

Tabel 4.9 menunjukkan hasil Confusion Matrix Kernel Quadratic

Programming Method tanpa PCA didapatkan 36 data terdeteksi dengan benar

terdiri dari 25 data pada grade 0, 5 data grade 1, tidak ada data terdeteksi

benar pada data grade 2, dan 6 data grade 3. Nilai akurasi yang diperoleh

sebesar 36%.


45

Tabel 4. 10 Confusion Matrix Kernel Seguential Minimal Optimization Method

tanpa PCA


Grade0 25 0 0 0

Grade1 18 5 0 2

Grade2 23 0 0 2

Grade3 19 0 0 6

Tabel 4.10 menunjukkan hasil kernel Sequential Minimal Optimization

Method sebesar 30%. Pada pengujian 100 data 30 data yang terdeteksi dengan

benar, terdiri dari 25 data grade 0, 5 data grade 1, dan 6 data grade 3.

Setelah seluruh kernel dicoba tanpa melakukan PCA didapat nilai

akurasi yang paling tinggi pada Kernel Polynomial orde 3 sebesar 45%,

sedangkan nilai akurasi yang paling rendah pada saat menggunakan kernel

Sequential Minimal Optimization sebesar 30%. Percobaan selanjutnya

ditambahkan PCA pada dataset, untuk membandingkan apakah nilai akurasi

akan meningkat atau tidak.

Tabel 4. 11 Confussion Matrix kernel Polynomial orde 2 menggunakan PCA


Grade0 25 0 0 0

Grade1 2 22 1 0

Grade2 7 0 18 0

Grade3 8 2 1 16

Percobaan menggunakan Kernel Polynomial orde 2 menggunakan PCA

yang ditunjukkan pada tabel 4.11 menghasilkan 25 data terklasifikasikan


46

secara benar pada grade 0, 22 data benar pada grade 1, 18 data benar

terklasifikasikan pada grade 2, dan 16 data terklasifikasikan benar pada grade

3. Nilai akurasinya sebesar 82%.

Tabel 4. 12 Confussion Matrix kernel Polynomial orde 3 menggunakan PCA


Grade0 25 0 0 0

Grade1 0 25 0 0

Grade2 0 0 25 0

Grade3 1 0 0 24

Tabel 4.12 menunjukkan hasil kernel Polynomial orde 3 sebesar 99%.

Pada pengujian 100 data 30 data yang terdeteksi dengan benar, terdiri dari 25

data grade 0, 5 data grade 1, dan 6 data grade 3.

Tabel 4. 13 Confussion Matrix kernel Linear menggunakan PCA


Grade0 25 0 0 0

Grade1 6 19 0 0

Grade2 23 0 1 1

Grade3 20 0 2 3

Tabel 4.13 menunjukkan hasil Kernel Linear menggunakan PCA yang

ditunjukkan menghasilkan 25 data terklasifikasikan secara benar pada grade 0,

19 data benar pada grade 1, 11 data benar terklasifikasikan pada grade 2, dan

3 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 48%


47

Tabel 4. 14 Confussion Matrix kernel Quadratic menggunakan PCA


Grade0 25 0 0 0

Grade1 2 22 1 0

Grade2 7 0 18 0

Grade3 8 0 1 16

Tabel 4.14 menunjukkan hasil Kernel Quadratic menggunakan PCA yang

menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 22 data

benar pada grade 1, 18 data benar terklasifikasikan pada grade 2, dan 16 data

terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 81%

Tabel 4. 15 Confussion Matrix kernel RBF menggunakan PCA


Grade0 25 2 0 0

Grade1 6 19 0 2

Grade2 23 0 1 1

Grade3 20 2 2 3

Tabel 4.15 menunjukkan hasil Kernel RBF menggunakan PCA yang

menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 19 data

benar pada grade 1, 1 data benar terklasifikasikan pada grade 2, dan 3 data

terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 47%


48

Tabel 4. 16 Confussion Matrix kernel Least Square Method menggunakan PCA


Grade0 25 0 0 0

Grade1 6 19 0 0

Grade2 25 0 0 0

Grade3 22 0 1 2

Tabel 4.16 menunjukkan hasil Kernel Least Square Method menggunakan

PCA yang menghasilkan 25 data terklasifikasikan secara benar pada grade 0,

19 data benar pada grade 1, tidak ada data benar terklasifikasikan pada grade

2, dan 2 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar

46%

Tabel 4. 17 Confussion Matrix kernel Quadratic Programming Method

menggunakan PCA


Grade0 25 2 0 0

Grade1 6 19 0 2

Grade2 23 0 1 1

Grade3 20 0 2 3

Tabel 4.17 menunjukkan hasil Kernel Least Square Method menggunakan

PCA yang menghasilkan 25 data terklasifikasikan secara benar pada grade 0,

19 data benar pada grade 1, 1 data benar terklasifikasikan pada grade 2, dan 3

data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 47%


49

Tabel 4. 18 Confussion Matrix Kernel Sequential Minimal Optimization dengan

PCA


Grade0 25 0 0 0

Grade1 6 19 0 0

Grade2 25 0 0 0

Grade3 24 0 0 1

Tabel 4.17 menunjukkan hasil Kernel Sequential Minimal Optimization

menggunakan PCA yang menghasilkan 25 data terklasifikasikan secara benar

pada grade 0, 19 data benar pada grade 1, tidak ada data benar

terklasifikasikan pada grade 2, dan 3 data terklasifikasikan benar pada grade

3. Nilai akurasinya sebesar 45%. Tabel 4. 19 Perbandingan akurasi

menggunakan PCA dan tanpa PCA

Berdasarkan hasil pengujian yang telah dilakukan, didapatkan

kesimpulan bahwa klasifikasi dengan menggunakan pereduksi dimensi data

PCA menghasilkan nilai yang lebih tinggi. Pada saat tanpa menggunakna PCA

nilai akurasi paling tinggi ketika menggunakan Kernel Polynomial Order 3

sebesar 45%, sedangkan nilai paling rendah pada Kernel Sequential Minimal

Optimization Method sebesar 30%. Pada saat ditambahkan PCA nilai akurasi

meningkat dan hasil akurasi paling tinggi pada saat menggunakan Kernel

Polynomial Order 3 sebesar 99%, dan nilai akurasi paling rendah saat

menggunakan Kernel Sequential Minimal Optimization Method sebesar 45%.


50

Karna nilai akurasi yang didapatkan sebesar 99% mengunakan Kernel

Polynomial Order 3 maka pada saat dibuat user interface kernel yang diunakan

Kernel Polynomial Order 3.

Hasil perbandingan akurasi tanpa PCA dan menggunakan PCA

dihadirkan secara keseluruhan pada tabel 4.20, dan grafik yang ditunjukkan

pada gambar

Tabel 4. 20 Hasil Perbandingan akurasi

Pengujian

Akurasi

Tanpa PCA PCA

Kernel Polynomial Order 2 42 % 82%

Kernel Polynomial Order 3 45 % 99%

Kernel Linear 36 % 48%

Kernel Quadratic 42 % 81%

Kernel Radial Basis Function (RBF) 36 % 47%

Kernel Least Square Method 36 % 46%

Kernel Quadratic Programming

Method

36 % 47%

Kernel Sequential Minimal

Optimization Method

30 % 45%


51

Gambar 4. 6 Grafik Perbandingan Hasil Akurasi

Grafik Hasil Akurasi

120%

100%

80%

60%

40%

20%

0%

99%

82% 81%

42% 45% 48% 36% 42%

47% 36%

46% 47% 36% 36%

45% 30%

Akurasi Akurasi


BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan percobaan dan penelitian yang telah dilakukan untuk

mengklasifikasikan citra digital retina menggunakan Support Vector Machine

didapatkan kesimpulan berikut :

1. Preprocessing dapat membantu untuk mempermudah dalam pegolahan

citra digital berwarna tanpa menghilangkan informasi yang terkandung di

dalamnya.

2. Metode ekstraksi fitur dengan menggunakan Filter Gabor dan penambahan

glmvit dapat merepresentasikan informasi yang baik untuk diolah pada

tahap klasifikasi.

3. PCA dapat mereduksi dimensi data dan mengurangi nilai yang

mengganggu dalam klasifikasi dengan baik, tanpa mengubah informasi

yang ada.

4. Proses klasifikasi tanpa menggunakan pereduksi dimensi data PCA

menghasikan nilai akurasi paling tinggi menggunakan SVM dengan kernel

Polynomial orde 3 yang menghasilkan nilai akurasi sebesar 45% dan yang

paling rendah pada saat menggunakan kernel Sequential Minimal

Optimization Method sebesar 30%.

52


53

5. klasifikasi dengan penambahan pereduksi dimensi data PCA sebelumnya

menghasilkan nilai akurasi yang lebih baik. Nilai paling tinggi ketika

menggunakan kernel Polynomial orde 3 senilai 99% dan yang paling

rendah pada saat menggunakan kernel Sequential Minimal Optimization

Method sebesar 45%.

5.2 Saran

Saran untuk tugas akhir ini adalah :

1. Inputan citra dapat lebih beraneka ragam dari berbagai sumber yang

berbeda.

2. Inputan dengan menambahkan funsi perubahan pada nilai ambang.

3. Penelitian selanjutnya dapat menggunakan metode ekstraksi ciri yang

berbeda.


DAFTAR PUSTAKA

IDM (2015). Data Statistik Jumlah Penderita Diabetes di Dunia versi WHO.

http://indodiabetes.com/data-statistik-jumlah-penderita-diabetes-di-dunia-

versi-who.html - Diakses April 2015

Kadir A, Susanto A. (2013). Teori dan Aplikasi Pengolahan Citra . Yogyakarta:

Penerbit Andi Offset.

Kuivalainen, M., 2005. Retinal Image Analysis Using Machine Vision. Thesis,

Lappeenranta University of Technology, Department of Information

Technology, Finlandia. M.B Stegman GD. (2002). A Brief Introduction to

Statistical Shape Analysis.

Mandasari HR, Tjandrasa H, Wijaya AY. (2012). Segmentasi Pembuluh Darah

Retina pada Citra Fundus Mata dengan 2D-Gabor Filter. Undergraduate

Thesis of Informatics Engineering, RSIf 004.62 Man s : 1-4.

Mingqiang Y, Kidiyo K, Joseph R. (2008). A Survey of Shape Feature Extraction

Techniques on Pattern Recognition Tecnique.

Messidor, 2014, Methods to evaluate segmentation and indexing techniques in the

field of retinal ophthalmology, http://messidor.crihan.fr/index-en.php, Diakses

Mei 2015

Nugroho, A.S., Witarto, A. B., Handoko,D., 2003. Support Vector Machine Teori

dan aplikasinya dalam Bioinformatika, Kuliah umum Ilmu Komputer.com,

website : http://ilmukomputer.com, diakses 20 Desember 2011.

Price SA, Wilson LM. (2006). Patofisiologi. Jakarta: EGC.

Putra, Dharma. (2010). Pengolahan Citra Digital. Yogyakarta: Penerbit Andi

Offset.

54


http://indodiabetes.com/data-statistik-jumlah-penderita-diabetes-di-dunia-versi-who.htmlhttp://indodiabetes.com/data-statistik-jumlah-penderita-diabetes-di-dunia-versi-who.htmlhttp://indodiabetes.com/data-statistik-jumlah-penderita-diabetes-di-dunia-versi-who.htmlhttp://messidor.crihan.fr/index-en.phphttp://ilmukomputer.com/

55

Santoso, Budi. (2007) Data Mining. Teknik Pemanfaatan Data untuk Keperluan

Bisnis : Teknik dan Aplikasi. Yogyakarta: Graha Ilmu.

Setiawan W. (2012). Sitem Deteksi Retinopati Diabetik Menggunakan Support

Vector Machine. Universitas Diponegoro. Thesis

Sitompul R. (2008). Retinopati Diabetik. J Indon Med Assoc, Volum :61, Nomor:

8,Agustus 2011.

W Sudoyo A, Setiyohadi B, Alwi I, Simadibrata M, Setiati S. (2009). Buku Ajar

Ilmu Penyakit Dalam. Jakarta Pusat: InternaPublishing.


LAMPIRAN I : DATA TRAINING

Grade 0

56


57


58

Grade 1


59

Grade 2


60


61

Grade 3


62


LAMPIRAN II : CODE PROGRAM

File preprosess.m

63

function [Img,bwImg] = preprosess( Nambang,data)

%PREPROSESS Summary of this function goes here

% Detailed explanation goes here

% clc;

% fprintf('memasukkan file citra\n');

% fprintf('========================================\n');

%

% proses input

% file = uigetfile('*.tif','masukkan filenya: ');

% data=imrea

Documents

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/1530/2/105314104_full.pdf · i KLASIFIKASI POLA MIKROVASKULER RETINA UNTUK DETEKSI DINI RETINOPATI DIABETIK MENGGUNAKAN