Klasifikasi Retinopati Diabetik Non-proliferatif Dan Proliferatif Berdasarkan Citra Fundus Menggunakan Metode Gabor Wavelet Dan Klasifikasi Jaringan Saraf Tiruan Backpropagation
DOI:
https://doi.org/10.34818/eoe.v6i2.10640Abstract
Abstrak Retinopati diabetik merupakan komplikasi mikrovaskular di retina mata pada penderita diabetes melitus. Jika tidak tertangani, penyakit ini bisa berakibat pada kebutaan. Retinopati diabetik memiliki tiga tipe sesuai dengan tingkat keparahan penderitanya, yaitu normal, non-proliferatif (NPDR), dan proliferatif (PDR). Proses deteksi dan klasifikasi tingkat keparahan penderita retinopati diabetik saat ini masih dilakukan secara manual oleh tenaga medis terlatih. Seiring dengan berkembangnya bidang teknologi, memungkinkan pengembangan suatu sistem yang dapat mengklasifikasi tingkat keparahan retinopati diabetik. Pada tugas akhir ini, dirancang suatu sistem klasifikasi tingkat keparahan retinopati diabetik berdasarkan citra fundus dengan pengolahan citra digital. Klasifikasi tersebut dibagi menjadi lima kelas tingkat keparahan, yaitu normal, non-proliferatif (mild, moderate, dan severe), serta proliferatif yang masing-masing terbagi dalam 60 buah data latih dan 40 buah data uji. Metode yang digunakan untuk ekstraksi ciri adalah Gabor Wavelet dan Jaringan Saraf Tiruan (JST) Backpropagation sebagai algoritma klasifikasi. Berdasarkan pengujian yang telah dilakukan, didapatkan akurasi terbaik sebesar 85% dengan jumlah data latih 60 buah. Parameter terbaik menggunakan citra resize dengan resolusi 512x512, citra kanal biru, parameter orde satu feature variance dan entropy, downsampling d1=16 dan d2=16, dengan proses klasifikasi menggunakan jumlah neuron hidden layer 200 buah; learning rate 0,005; dan epoch sebanyak 1000 kali. Kata Kunci: Retinopati Diabetik, NPDR, PDR, Gabor Wavelet, JST Backpropagation Abstract Diabetic retinopathy is a microvascular complication in the retina of the eye in people with diabetes mellitus. If not treated, this disease can result in blindness. Diabetic retinopathy has three types according to the severity of the sufferer, namely normal, non-proliferative (NPDR), and proliferative (PDR). The process of detection and classification of the severity of diabetic retinopathy patients is still done manually by trained medical personnel. Along with the development of the technology field, it allows the development of a system that can classify the severity of diabetic retinopathy. In this final project, a system of classification of the severity of diabetic retinopathy is designed based on fundus images with digital image processing. The classification is divided into five classes of severity, namely normal, nonproliferative (mild, moderate, and severe), and proliferative wich is equally divided into 60 training data and 40 test data.. The method used for feature extraction is Gabor Wavelet and Artificial Neural Network (ANN) Backpropagation as a classification algorithm. Based on the tests that have been done, the best accuracy is obtained at 85% with 60 training data. The best parameters using resize images with 512x512 resolution, blue canal image, first order parameter feature variance and entropy, downsampling d1 = 16 and d2 = 16, with the classification process using 200 pieces of hidden layer neurons, learning rate 0.005, and epoch 1000 times . Keywords: Diabetic Retinopathy, NPDR, PDR, Gabor Wavelet, ANN BackpropagationDownloads
References
[2] [3] [4] [5] [6]
Akurasi terbaik pada pengujian klasifikasi JST Backpropagation didapatkan menggunakan 40 citra uji dengan nilai neuron hidden layer 200; learning rate 0,005; dan epoch sebanyak 1000 kali dengan nilai sebesar 75% Suharjo dan Hartono, Ilmu Kesehatan Mata, Yogyakarta: Bagian Ilmu Penyakit Mata Fakultas Kedokteran
UGM, 2007.
R. Rahmawati, Diabetik Retinopati, USU Repository., 2007. Suyanto, Artificial Intelligence: Searching, Reasoning, Planning, Learning. Revisi ke-2, Bandung: Penerbit
Informatika, 2014. M. H. Purnomo dan A. Muntasa, Konsep Pengolahan Citra Digital dan Ekstraksi, Yogyakarta: Graha Ilmu, 2010. U. N. Wisesty dan M. Titik, “Implementasi Gabor Wavelet dan Support Vector Machine pada Deteksi Polycystic Ovary (PCO) Berdasarkan Citra Untrasonografi,” IND. JOURNAL ON COMPUTING, vol. 1, no. 2, pp. 67-82, 2016. I. Daubechies, “The Wavelet Transform, Time-Frequency Localization And Signal Analysis,” IEEE
TRANSACTIONS ON INFORMATION THEORY, vol. 36, no. 5, pp. 961 - 1005, 1990. L. E. Siahaan, R. F. Umbara, S. Si, MSi dan Y. Sibaroni, S.T., M.T., “Prediksi Indeks Harga Saham dengan Metode Gabungan Support Vector Regression dan Jaringan Syaraf Tiruan,” IND. JOURNAL ON
COMPUTING, vol. 2, no. 1, pp. 21-30, 2017. [8]
R. Harnila, R. D. Atmaja dan I. Wijayanto, “Klasifikasi Retinopati Diabetik Non-Proliferatif Dan Proliferatif Berdasarkan Citra Fundus Menggunakan Metode Jaringan Saraf Tiruan Backpropagation,” e-Proceeding of
Engineering, vol. 5, p. 5086, 2018. N. Ibrahim, B. Hidayat dan S. Darana, “Deteksi Kualitas Keju Menggunakan Metode Gabor Wavelet Dengan Klasifikasi K Nearest Neighbor (K-NN) Pada Citra Digital,” e-Proceeding of Engineering, vol. 4, p. 1710, 2017.
A. P. Pratama, R. D. Atmaja dan H. F. T, “Deteksi Diabetes Retinopati Pada Foto Fundus Menggunakan Color
Histogram & Transformasi Wavelet,” e-Proceeding of Engineering, vol. 3, p. 4552, 2016.
“America Academy of Ophthalmology,,” Diabetic Retinopathy - Middle East,, 2016.
A. Images, Ebix, inc., 2019. [Online]. Available: http://www.adamimages.com/Illustration/SearchResult/1/PROLIFERATIVE. [Diakses 08 April 2019].
“Alodokter,” [Online]. Available: https://www.alodokter.com/melihat-lebih-dalam-anatomi-mata-anda. [Diakses 08 April 2019].
R. A. Rahadian, Jaringan Saraf Tiruan Backpropagation Untuk Mendeteksi Anemia Melalui Konjungtiva Pada
Mata Berbasis Pengolahan Citra Digital, Bandung: Telkom University, 2018.



