Klasifikasi Keparahan Penyakit Glaukoma pada Citra Fundus Retina dengan Deep k-Nearest Neighbor
Abstrak
Penyakit glaukoma merupakan penyakit yang terjadi karena kondisi saat rusaknya serat lembut saraf optik pada mata. Saraf optik ini berfungsi mengirimkan penglihatan dari mata ke otak. Sehingga penderita penyakit glaukoma sering mengalami kondisi berkurangnya jarak pandang, bahkan hingga kebutaan. Telah terdapat penelitian yang menggunakan metode Machine Learning namun memiliki akurasi yang rendah. Sehingga, pada penelitian ini kami mengusulkan metode klasifikasi glaukoma dengan menggabungkan Deep Learning dengan kNN, dimana Deep Learning digunakan sebagai ekstraksi fitur. Dengan inputan hasil ekstraksi fitur dari Deep Learning, lalu dimasukkan ke 3 layer algoritma kNN, dan menghasilkan output berupa kelas klasifikasi serta confidence score. Diharapkan model gabungan ini dapat memberikan peningkatan akurasi dalam menangani task klasifikasi tingkat keparahan glaukoma. Dengan mengklasifikasi tingkat keparahan penyakit glaukoma, maka pasien glaukoma dapat menerima perawatan medis yang sesuai. Metode berbasis gabungan Machine Learning dan Deep Learning ini akan disebut Deep kNN. Pembagian kategori PPA ke dalam beberapa kelas yaitu normal; mild; dan severe, dengan dataset berjumlah 250 citra fundus retina. Setelah dilakukan proses training dan testing pada model gabungan Deep kNN, didapatkan hasil akurasi sebesar 78%.
Kata Kunci: Kualitas Layanan, Metode IPA, CSI
Unduhan
Referensi
. Gou, J., Qiu, W., Yi, Z., Xu, Y., Mao, Q., & Zhan, Y.
(2019). A local mean representation-based K nearest neighbor classifier. ACM Transactions on Intelligent
Systems and Technology, 10(3). https://doi.org/10.1145/3319532 . Papernot, N., & McDaniel, P. (2018). Deep k-Nearest
Neighbors: Towards Confident, Interpretable and Robust
Deep Learning. c. http://arxiv.org/abs/1803.04765 9 . Zulfira, F. Z. (2021). Multi-Class Peripapillary Atrophy untuk Mendeteksi Penyakit Glaukoma pada Gambar Fundus
Retina. Open Library Telkom University.
. Zulfira, F. Z., Suyanto, S., & Septiarini, A. (2021).
Segmentation technique and dynamic ensemble selection to enhance glaucoma severity detection. Computers in Biology and Medicine, 139(June), 104951. https://doi.org/10.1016/j.compbiomed.2021.104951 . Cahya, F. N., Hardi, N., Riana, D., & Hadiyanti, S.
(2021). Deteksi Penyakit Mata Menggunakan Convolutional Neural Network (CNN). Sistemasi, 10(3), 618. https://doi.org/10.32520/stmsi.v10i3.1248 . Mahardika, A. N., Widodo, A. W., & Rahman, M. A.
(2019). Diagnosis Penyakit Mata menggunakan Metode
Improved K-Nearest Neighbor. Jurnal Pengembangan
Teknologi Informasi Dan Ilmu Komputer, 3(11), 10531- 10537.
. Cahyanti, D., Rahmayani, A., & Husniar, S. A. (2020).
Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara. Indonesian Journal of Data and Science, 1(2), 39-43. https://doi.org/10.33096/ijodas.v1i2.13 . Ilahiyah, S., & Nilogiri, A. (2018). Implementasi Deep
Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan
Citra Daun Menggunakan Convolutional Neural Network.
JUSTINDO (Jurnal Sistem Dan Teknologi Informasi
Indonesia), 3(2), 49-56. [9]. Kurniawan, Y. I., & Barokah,
T. I. (2020). Deteksi Penentuan Pengajuan Kartu Kredit
Menggunakan KNearest Neighbor. Jurnal Ilmiah Matrik, 22(1), 73-82. https://doi.org/10.33557/jurnalmatrik.v22i1.843 . HARIYANI, Y. S., HADIYOSO, S., & SIADARI, T. S. (2020). Deteksi Penyakit Covid-19 Berdasarkan Citra XRay Menggunakan Deep Residual Network. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 8(2), 443.
