Sistem Klasifikasi Tingkat Keparahan Retinopati Diabetik Menggunakan Support Vector Machine

Penulis

Taufiq Galang Adi Putranto

Pembimbing: Ika Candradewi, S.Si., M.Cs.


ABSTRACT: Diabetic retinopathy is a vision disorder disease that can cause damage to the retina that will have a direct impact on the vision disruption of the patient. The diabetic retinopathy phase is classified into four types ie, normal, mild NPDR, moderate NPDR, and severe NPDR. Retinal data of diabetic retinopathy patients treated from the MESSIDOR database. By applying image processing, the retinal image of the eye in extraction using the area extraction features from the detection of exudate, blood vessels, microaneurysms, and texture feature extraction using the Gray Level Co-occurrence Matrix method. The extracted results classified using the Support Vector Machine method with the Radial Basis Function (RBF) kernel. Classification evaluated with these parameters, Accuracy, specificity, and sensitivity. Trial classification using support vector machine is performed by varying feature extraction and making changes to the kernel function to get the best value. The results of classification show the best value using 6 statistical features ie, contrast, homogeneity, correlation, energy, entropy and inverse difference moment in the direction of 45 degrees with the RBF kernel. The result of classification research system on 240 data training and 60 data testing yields an average accuracy is 95.93%, the value of specificity is 97.29%, and a sensitivity rating is 91.07%. From the research result, using RBF kernel get the best accuracy result than using kernel polynomial or kernel linear

INTISARI: Retinopati diabetik merupakan suatu penyakit gangguan penglihatan yang dapat menyebabkan kerusakan pada bagian retina mata yang akan berdampak langsung pada terganggunya penglihatan penderita. Fase retinopati diabetik diklasifikasikan menjadi empat fase (normal, mild NPDR (Non-Proliferative Diabetic Retinopathy), moderate NPDR, dan severe NPDR). Data retina mata penderita retinopati diabetik yang diolah berasal dari database MESSIDOR. Dengan menerapkan pengolahan citra, gambar retina mata di ekstrasi menggunakan ekstraksi ciri area dari hasil deteksi eksudat, pembuluh darah, mikroaneurisma, dan ekstraksi ciri tekstur menggunakan metode Gray Level Co-occurrence Matrix. Hasil fitur ekstraksi yang didapat kemudian diklasifikasikan menggunakan metode Support Vector Machine dengan kernel Radial Basis Function (RBF). Klasifikasi dievaluasi dengan parameter akurasi (accuracy), kekhususan (specificity), dan sensitivitas (sensitivity). Percobaan klasifikasi dengan support vector machine dilakukan dengan melakukan variasi ekstraksi fitur dan melakukan perubahan pada fungsi kernel. Hasil klasifikasi menunjukan nilai terbaik dengan menggunakan 6 ciri statistik antara lain, contrast, homogeneity, correlation, energy, entropy dan inverse difference moment pada arah 45 derajat dengan kernel RBF. Hasil penelitian klasifikasi sistem pada 240 data training dan 60 data testing menghasilkan nilai rata-rata akurasi sebesar 95,93%, nilai specificity sebesar 97,29%, dan nilai sensitivity sebesar 91,07%. Dilihat dari hasil penelitian, kernel RBF menghasilkan akurasi terbaik jika dibandingkan dengan kernel polynomial atau kernel linear

Kata kunci retinopati diabetik, gray level co-occurrence matrix, eksudat, pembuluh darah, mikroaneutrisma, support vector machine, radial basis function.
Program Studi S1 ELEKTRONIKA DAN INSTRUMENTASI UGM
No Inventaris
Deskripsi
Bahasa Indonesia
Jenis Skripsi
Penerbit [Yogyakarta] : Universitas Gadjah Mada, 2018
Lokasi Perpustakaan Pusat UGM
File Tulisan Lengkap dapat Dibaca di Ruang Tesis/Disertasi
  • Anda dapat mengecek ketersediaan versi cetak dari penelitian ini melalui petugas kami dengan mencatat nomor inventaris di atas (apabila ada)
  • Ketentuan Layanan:
    1. Pemustaka diperkenankan mengkopi cover, abstrak, daftar isi, bab pendahuluan, bab penutup/ kesimpulan, daftar pusatak
    2. Tidak diperbolehkan mengkopi Bab Tinjauan Pustaka, Bab Pembahasan dan Lampiran (data perusahaan/ lembaga tempat penelitian)
    3. Mengisi surat pernyataan, menyertakakan FC kartu identitas yang berlaku

<< kembali