Klasifikasi Retinopati Diabetik Pada Citra Mata Digital Menggunakan 3D GLCM Dengan Learning Vector Quantization (original) (raw)
Related papers
Klasifikasi Penyakit Diabetic Retinopathy menggunakan Metode Learning Vector Quantization (LVQ)
2017
Abstrak Retinopati diabetes adalah salah satu komplikasi penyakit diabetes. 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. Gejala yang ditunjukkan oleh penderita Diabetic Retinopaythy (DR) antara lain microaneurysms, hemorrhages, hard exudate, soft exudates dan neovascularization. Gejala tersebut pada suatu intensitas tertentu dapat menjadi indikator fase (tingkatan keparahan) retinopati diabetes penderita. Penelitian ini dilakukan untuk mengklasifikasi penyakit retinopati diabetik dengan citra fundus retinoskopi melalui metode Kecerdasan Buatan, yaitu Learning Vector Quantization. Melalui tahapan proses pengolahan citra, mengubah intensitas citra, menghilangkan Diskus Optikus, kemudian melalui proses ekstraksi fitur citra yakni fitur citra pembuluh darah. Ekstraksi fitur warna citra menggunakan intensitas keabuan pada citra kemudian diubah m...
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.
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.
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...
Journal of Applied Informatics and Computing, 2021
Diabetic Retinopathy is a microvascular complication of diabetes mellitus. According to WHO (World Health Organization), there are more than 347 billion people who suffer from diabetes. This disease will become the seventh leading cause of death in the world in 2030. Based on research in Indonesia, it is estimated that there are 42.6% of diabetic retinopathy. Therefore, this final project plans a system to assist doctors in identifying diabetic retinopathy through its characteristics, namely microaneurysm. This system begins with an input retinal image from the fundus camera. Then the input will be processed in preprocessing to increase the contrast using the green channel. The next stage is segmentation. This is used to detect candidates from blood vessels and microaneurysms that use morphology operations. The next step is feature extraction, where it uses the features of glcm and white pixels detected in the image resulting from segmentation. The value of the white pixels and the ...
Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Penyakit retinopati diabetik dan retinopati hipertensi dapat menyebabkan terjadinya kelainan vaskular pada pembuluh darah retina. Kelainan ini menimbulkan pola-pola unik yang muncul pada citra fundus mata dan memberikan ciri pada dimensi fraktal dan lakunaritas citra tersebut. Dalam studi ini, nilai dimensi fraktal dan lakunaritas citra fundus mata ditelaah dan dijadikan sebagai parameter pengelompokan data dengan metode k-means clustering untuk identifikasi penyakit retinopati diabetik dan retinopati hipertensi. Sebelum analisis dilakukan, citra fundus mata terlebih dahulu melalui tahap preprocessing agar dapat diolah lebih lanjut. Penghitungan dimensi fraktal dilakukan dengan metode box counting dan lakunaritas dihitung dengan metode gliding box. Pengelompokan data dengan metode k-means dilakukan dengan algoritma Lloyd. Hasil yang diperoleh menunjukkan bahwa metode yang digunakan memiliki akurasi sebesar 96.67%, dengan 29 identifikasi benar dari 30 data masukan yang diberikan. Has...
JSAI (Journal Scientific and Applied Informatics), 2021
Untuk mendeteksi kerusakan retina dapat dilakukan bantuan algoritmapembelajaran mesin. Klasifikasi citra dengan menggunakan machine learningtechniques (MLTs) dapat membantu proses penentuan pasien penderitadiabetic retinopathy (DR). Teknik machine learning yang digunakan dapatdikelompokkan menjadi nonparametric (support vector machine) danparametric (logistic regression). Tahap penelitian termasuk persiapan,ekstraksi fitur, normalisasi, klasifikasi, evaluasi dilakukan terhadap datasetgambar digital fundus yang disediakan oleh EyePACS. Model klasifikasimenggunakan model nonparametric (support vector machine) dan parametric(logistic regression). Sebagai hasil, metode logistic regression mendapatkanhasil akurasi (accuracy) sebesar 74%, recall sebesar 74%, presisi (precision)sebesar 60% dan F1-score sebesar 63%. Selain itu, metode support vectormachine mendapatkan hasil akurasi (accuracy) sebesar 74%, recall sebesar74%, presisi (precision) sebesar 55% dan F1-score sebesar 63%
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...
Abstrak Diabetes Retinopati merupakan sebuah penyakit komplikasi umum dari diabetes militus. Penyakit ini dapat dideteksi sejak dini dengan melakukan analisis citra fundus retina. Citra fundus retina terpengaruh pada pgimentasi warna retina. Citra retina akan gelap, jika penderita sering terpapar matahari. Citra retina yang gelap, akan mengganggu proses diagnosis dokter. Indonesia termasuk negara yang retina penduduknya berpigmentasi gelap. Keunikan retina mata orang Indonesia, menjadikan topik diabetic retinopati original dan layak untuk dikembangkan. Dataset diambil dari lasik center RS Sultan Agung Semarang. Proses pengenalan pola, diawali dengan transformasi warna, dari RGB ke YCbCr, kemudian dilakukan pengambilan warna kuning dari hasil transformasi warna YCbCr. Warna kuning kemudian diolah dengan menggunakan metode statistic, untuk mendapatkan nilai maksimal dan nilai standart deviasi dari setiap citra. Kumpulan nilai maksimal dan standart deviasi dimasukan dalam vektor ciri, untuk kemudian dilakukan proses pengenalan pola dengan menggunakan metode SVM (Support Vector Machine). Dataset yang digunakan berjumlah 60 data, dimana terbagi menjadi 2 kelas, dimana 30 set diambil dari scan retina normal dan 30 set sisanya dari scan retina dengan diabetes retinopati. Hasil dari penelitian menunjukan bahwa terdapat 38 support vector untuk memproses 60 titik ciri, dengan waktu proses 4,790051 detik. Tingkat akurasi yang didapatkan adalah 78,33%.