Klasifikasi Penyakit Diabetic Retinopathy menggunakan Metode Learning Vector Quantization (LVQ) (original) (raw)
Related papers
2021
Penderita diabetes sering mengalami komplikasi seperti pada bagian mata yang disebut Diabetic Retinopathy (DR). DR juga penyebab paling sering terjadi pada kasus kebutaan. Hal tersebut dapat dicegah dengan pemeriksaan perkembangan secara rutin dan mendapatkan penanganan tepat sesuai dengan tingkat keparahannya. Dalam menentukan tingkat keparahan DR, seseorang memerlukan dokter ahli, biaya, dan waktu yang lama. Pada penelitian ini, dibuat suatu sistem klasifikasi untuk memudahkan dalam mengetahui tingkat keparahan penyakit DR menggunakan model Convolutional Neural Network (CNN) Deep Residual Network (ResNet). Data yang digunakan diambil dari citra fundus retina dari MESSIDOR dataset. Setiap data akan dilakukan proses cropping, resize, dan augmentasi, kemudian data dilatih menggunakan CNN model ResNet. Pada penelitian ini, dilakukan beberapa percobaan untuk mendapatkan hasil yang optimal yaitu perbandingan model arsitektur ResNet18, ResNet50, ResNet101. Hasil terbaik didapatkan oleh m...
Klasifikasi Diabetic Retinopathy Menggunakan Seleksi Fitur Dan Support Vector Machine
Diabetic Retinopathy is a disease common complications of diabetes mellitus. The complications in the form of damages on the part of the retina of the eye. The high levels of glucose in the blood are the cause of small capillaries become broke and can lead to blindness. The symptoms shown by the sufferers of Diabetic Retinopaythy (DR), among others, microaneurysms, hemorrhages, exudates, soft hard exudate and neovascularization. These symptoms are at a certain intensity can be an indicator of the phase (the level of severity) DR sufferers. There are four stages of the process of pattern recognition, namely preprocessing,feature ekstraction, feature selection and classification. On preprocessing the image do Change the RGB image into Green channel, image Adaptive Histogram Equalization, removal of blood vessels, removal of optic disks, detection of exudate. A collection from the results of preprocessing placed in the vector of characteristics by using the feature extraction of GLCM consisting of order 1 and 2, to order then conducted as input Support Vector Machine (SVM). While in SVM there are three issues that emerged, namely; How to select a kernel function, what is the optimal number of input features, and how to determine the best kernel parameters. These issues are important, because the number of features affect the required kernel parameters values and vice versa, so that the selection of the features required in building the classification system. On the research of feature extraction methods was presented GLCM, features selection, and SVM for detecting diabetic retinopathy. feature selection process using the F-Score feature to select the results of features extraction. From the results of the selection of these features is used to input the classification. The dataset used amounted to 50 data, which is divided into 2 classes, where 25 sets taken from normal retinal scans and 25 sets of the rest of the scan of the retina with diabetic retinopathy. SVM classification with feature selection to increase accuracy and computational time than lose without a selection of features with a value of 90% accuracy and computational time 0.010 seconds.
2019
Abstrak Retinopati diabetik merupakan salah satu komplikasi penyakit diabetes melitus yang terjadi pada retina mata dan dapat menyebabkan kebutaan. Penderita tidak merasakan gejala pada tahap awal, tetapi penglihatan mendadak hilang jika telah terjadi kerusakan yang sangat parah pada retina. Pemeriksaan medis retinopati diabetik dilakukan secara langsung oleh dokter dengan mengamati citra fundus retina pasien. Hasil citra retina dari kamera fundus tidak dapat memberikan informasi secara jelas sehingga dokter membutuhkan waktu yang relatif lama untuk menganalisis citra tersebut. Oleh karena itu, dirancang sebuah sistem untuk klasifikasi retinopati diabetik dengan waktu yang efisien. Sistem dibuat dengan menerapkan pengolahan citra digital menggunakan metode 3D Gray Level Cooccurrence Matrix untuk ekstraksi ciri. Hasil ekstraksi ciri kemudian diklasifikasikan menggunakan metode Learning Vector Quantization berdasarkan tingkat keparahan penyakit retinopati diabetik yaitu normal, Mild N...
Deep Learning untuk Klasifikasi Diabetic Retinopathy menggunakan Model EfficientNet
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 2020
ABSTRAKDiabetic Retinopathy merupakan penyakit yang dapat mengakibatkan kebutaan mata yang disebabkan oleh adanya komplikasi penyakit diabetes melitus. Oleh karena itu mendeteksi secara dini sangat diperlukan untuk mencegah bertambah parahnya penyakit tersebut. Penelitian ini merancang sebuah sistem yang dapat mendeteksi Diabetic Retinopathy berbasis Deep Learning dengan menggunakan Convolutional Neural Network (CNN). EfficientNet model digunakan untuk melatih dataset yang telah di pre-prosesing sebelumnya. Hasil dari penelitian tersebut didapatkan akurasi sebesar 79.8% yang dapat mengklasifikasi 5 level penyakit Diabetic Retinopathy.Kata kunci: Diabetic Retinopathy, Deep Learning, CNN, EfficientNet, Diabetic Classification ABSTRACTDiabetic Retinopathy is a diseases which can cause blindness in the eyes because of the complications of diabetes mellitus. Therefore, an early detection for this diseases is very important to prevent the diseases become severe. This research builds the s...
Majalah Ilmiah Teknologi Elektro, 2016
Pattern recoqnition methods for image of diabetic retinopaty are influenced by differences in pigmentation. To help diabetic retinopathy image recognition is required a software. This paper presents the results of research on pattern recognition image of diabetic retinopathy,This study used the image of the yellow canal with Gabor filter.Characteristics that are taken from each image is characteristic of the mean, variance, skewness and entropy, followed by feature extraction with PCA (Principle Component Analysis).At PCA feature extraction, square matrix whose number of columns equal to the number of features is generated.There are four features used. These features are 4 PCs (Principle Component), ie, PC1, PC2, PC3 and PC4.From the combination of these features, we obtained six pairs that consist of two traits. By using a linear model of SVM will been selected the pair with the highest accuracy value. Based on the analysis, we obtained a couple PC1 and PC2 models that have the highest levels of learning (100%) and the fastest recognition time, which is explicitly indicated by the smallest amount of support vector. Intisari-Metode pengenalan pola citra retinopati diabetik beserta setting poinnya dipengaruhi oleh perbedaan pigmentasi. Untuk membantu pengenalan citra retinopati diabetic dibutuhkan sebuah perangkat lunak. Makalah ini menyajikan hasil penelitian tentang pengenalan pola citra retinopati diabetik. Dalam penelitian tersebut digunakan citra kanal kuning (yellow), dengan filter Gabor. Ciri yang diambil dari tiap citra adalah ciri rerata (means), ragam (varians), skewness dan entropy, yang dilanjutkan dengan ekstraksi ciri PCA (Principle Component Analysis). Pada ekstraksi ciri PCA, dihasilkan matriks bujur sangkar, yang jumlah kolomnya, sama dengan jumlah ciri. Ada 4 ciri yang digunakan, yang merupakan 4 buah PC (Principle Component), yaitu, PC1, PC2, PC3 dan PC4. Keempat ciri tersebut dikombinasikan sehingga diperoleh 6 pasangan yang beranggotakan 2 ciri. Dengan mengunakan model linear dari SVM akan dipilih pasangan dengan nilai akurasi tertinggi. Berdasarkan hasil analisis diperoleh model pasangan PC1 dan PC2 yang memiliki tingkat pembelajaran tertinggi (100%) dan waktu pengenalan tercepat, yang secara eksplisit ditunjukkan dengan jumlah support vector terkecil.
Diabetic Retinopathy Menggunakan Seleksi Fitur Dan Support Vector Machine
2018
Diabetic Retinopathy is a disease common complications of diabetes mellitus. The complications in the form of damages on the part of the retina of the eye. The high levels of glucose in the blood are the cause of small capillaries become broke and can lead to blindness. The symptoms shown by the sufferers of Diabetic Retinopaythy (DR), among others, microaneurysms, hemorrhages, exudates, soft hard exudate and neovascularization. These symptoms are at a certain intensity can be an indicator of the phase (the level of severity) DR sufferers. There are four stages of the process of pattern recognition, namely preprocessing,feature ekstraction, feature selection and classification. On preprocessing the image do Change the RGB image into Green channel, image Adaptive Histogram Equalization, removal of blood vessels, removal of optic disks, detection of exudate. A collection from the results of preprocessing placed in the vector of characteristics by using the feature extraction of GLCM c...
Klasifikasi Diabetik Retinopati Menggunakan Wavelet Haar dan Backpropagation Neural Network
Seminar Nasional Teknologi Informasi Komunikasi dan Industri, 2018
Abstrak Diabetik retinopati merupakan penyakit yang menyerang retina mata dan dapat menyebabkan kebutaan. Tingkat keparahan diabetik retinopati terbagi atas empat yaitu Normal, Diabetik Retinopati Non-proliferative (NPDR), Diabetik Retinopati Proliferative (PDR) dan Makula Endema (ME). Pada dasarnya diabetik retinopati dapat diamati menggunakan kamera fundus tetapi membutuhkan waktu yang cukup lama. Sehingga pada penelitian ini diterapkan ilmu pengolahan citra dan Jaringan Syaraf Tiruan sebagai cara lain untuk mengelompokkan penyakit diabetik retinopati. Wavelet Haar digunakan sebagai ekstraksi ciri citra retina mata dan Backpropagation Neural Network (BPNN) digunakan sebagai Metode klasifikasinya. Data yang digunakan bersumber dari messidor database. Jumlah data yang digunakan adalah sebanyak 612 citra (153 data setiap kelas). Berdasarkan hasil pengujian, akurasi tertinggi sebesar 56,25% dengan ukuran citra 2440 x 1448 piksel, haar level ke-4 serta persentase perbandingan data latih dan data uji 95%:5%, Learning rate 0,01. Berdasarkan hasil tersebut, algoritme wavelet haar kurang mampu mengenali ciri dari diabetik retinopati. Kata kunci: backpropagation neural network, diabetik retinopati, klasifikasi, messidor, wavelet haar
2020
Diabetes is a chronic disease that occurs when the pancreas does not produce enough insulin, or when the body can not effectively use the insulin that is produced. Diabetes mellitus can be divided into two types: Type 1 diabetes mellitus and diabetes mellitus type 2. This study aims to detect diabetes mellitus and may predict the development status (Metabolic Syndrome) using Learning Vector Quantization. The data needed to detect type 2 diabetes are blood sugar levels, genetics, age, physical activity, diet, smoking habits, body mass index, gender and abdominal circumference. In addition, the data also used HbA1C and cholesterol levels to detect the status of the development of type 2 diabetes mellitus (Metabolic Syndrome). The classification process is divided into two stages: stage 1 to determine the type 2 diabetes or Non diabetes mellitus, and phase 2 to predict the prognosis of type 2 diabetes into Metabolic Syndrome or Non Metabolic Syndrome (the patient is still in the catego...
Jurnal Elkomika, 2016
ABSTRAKPenelitian mengenai pengklasifikasian tingkat keparahan penyakit Diabetes Retinopati berbasis image processing masih hangat dibicarakan, citra yang biasa digunakan untuk mendeteksi jenis penyakit ini adalah citra optik disk, mikroaneurisma, eksudat, dan hemorrhages yang berasal dari citra fundus. Pada penelitian ini telah dilakukan perbandingan algoritma SVM dengan KNN untuk klasifikasi penyakit diabetes retinopati (mild, moderate, severe) berdasarkan citra eksudat dan microaneurisma. Untuk proses ekstraksi ciri digunakan metode wavelet pada masing-masing kedua metode tersebut. Pada penelitian ini digunakan 160 data uji, masing-masing 40 citra untuk kelas normal, kelas mild, kelas moderate, kelas saviere. Tingkat akurasi yang diperoleh dengan menggunakan metode KNN lebih tinggi dibandingkan SVM, yaitu 65 % dan 62%. Klasifikasi dengan algoritma KNN diperoleh hasil terbaik dengan parameter K=9 cityblock. Sedangkan klasifikasi dengan metode SVM diperoleh hasil terbaik dengan pa...
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 2020
Penyakit diabetic retinopathy atau DR adalah salah satu komplikasi penyakit diabetes yang bisa menyebabkan kematian bagi penderitanya. Komplikasi tersebut berupa kerusakan pada bagian retina mata. Tingginya kadar glukosa dalam darah adalah penyebab pembuluh darah kapiler kecil menjadi pecah dan dapat menyebabkan kebutaan. Retinopati diabetes diawali dengan melemah atau hancurnya kapiler kecil di retina, darah bocor yang kemudian menyebabkan penebalan jaringan, pembengkakan, dan pendarahan yang luas. Penelitian ini bertujuan untuk menganalisis diagnosis penyakit diabetes retinopathy. Algoritme Classification And Regression Trees (CART) merupakan salah satu algoritme klasifikasi dengan menggunakan dataset diambil dari UCI Repository Learning diperoleh dari Universitas Debrecen, Hongaria, yang terdiri dari data pasien terindikasi penyakit diabetes retinopathy dan normal penyakit diabetes retinopathy. Metode yang digunakan dalam penelitian ini yaitu identifikasi masalah, pengumpulan dat...