Post on 19-Oct-2020
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 :
Renny Nita Hernawati
10 5314 104
INFORMATICS ENGGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2015
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSETUJUAN
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PENGESAHAN
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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,
Renny Nita Hernawati
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Renny Nita Hernawati
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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));
jarak(2) = sum(xor(prediksi, kelas_2));
jarak(3) = sum(xor(prediksi, kelas_3));
jarak(4) = sum(xor(prediksi, kelas_4));
[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);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 Grade1 Grade2 Grade3
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 Grade1 Grade2 Grade3
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%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Tabel 4. 6 Confusion Matrix Kernel Quadratic 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
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 Grade1 Grade2 Grade3
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%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Tabel 4. 8 Confusion Matrix Kernel Least Square Method tanpa PCA
Grade0 Grade1 Grade2 Grade3
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 Grade1 Grade2 Grade3
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%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Tabel 4. 10 Confusion Matrix Kernel Seguential Minimal Optimization Method
tanpa PCA
Grade0 Grade1 Grade2 Grade3
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 Grade1 Grade2 Grade3
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 Grade1 Grade2 Grade3
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 Grade1 Grade2 Grade3
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Tabel 4. 14 Confussion Matrix kernel Quadratic menggunakan PCA
Grade0 Grade1 Grade2 Grade3
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 Grade1 Grade2 Grade3
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Tabel 4. 16 Confussion Matrix kernel Least Square Method menggunakan PCA
Grade0 Grade1 Grade2 Grade3
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 Grade1 Grade2 Grade3
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Tabel 4. 18 Confussion Matrix Kernel Sequential Minimal Optimization dengan
PCA
Grade0 Grade1 Grade2 Grade3
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%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN I : DATA TRAINING
Grade 0
56
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Grade 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
Grade 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Grade 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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