DETEKSI GLAUKOMA PADA CITRA FUNDUS RETINA … · DETEKSI GLAUKOMA PADA CITRA FUNDUS RETINA DENGAN METODE K-NEAREST NEIGHBOR SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh

DETEKSI GLAUKOMA

PADA CITRA FUNDUS RETINA

DENGAN METODE K-NEAREST NEIGHBOR

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Dian Saktian Tobias

125314042

PROGAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

GLAUCOMA DETECTION

IN RETINAL FUNDUS IMAGE

USING K- NEAREST NEIGHBOR METHOD

A THESIS

Presented as Partial Fulfillment of The Requirements

To Obtain the Sarjana Komputer Degree

In Informatics Engineering Study Program

By:

Dian Saktian Tobias

125314042

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOYAKARTA

2016


iii


iv


v

HALAMAN PERSEMBAHAN

“TALK LESS DO MORE”

Karya ini saya persembahkan kepada Tuhan Yesus Kristus yang senantiasa

memberikan bimbingannya dalam segala hal, terutama dalam menyelesaikan

tugas akhir ini.

Saya juga persembahkan karya ini kepada siapa saja yang setia menanti akan

penyelesaian karaya ini dengan memberikan semangat, motivasi dan tidak lupa

selalu mengingatkan saya ketika saya mulai meninggalkan tanggung jawab saya

ini.

Dan yang tidak kalah penting para sahabat yang selalu hadir dalam kondisi

apapun selama proses pembuatan tugas akhir ini dalam memberi semangat

maupun menghibur dengan candaan-candaan konyol.

Terimakasih


vi


vii


viii

DETEKSI GLAUKOMA

PADA CITRA FUNDUS RETINA

DENGAN METODE K-NEAREST NEIGHBOR

ABSTRAK

Glaukoma adalah penyakit mata yang diakibatkan tekanan mata seseorang

sangat tinggi atau tidak normal. Salah satu penyebab tidak normalnya tekanan pada

mata adalah tersumbatnya aliran cairan mata atau berkurangnya pengeluaran cairan

mata. Glaukoma dapat diidentifikasi dengan meneliti area optik disk dari citra

fundus retina. Tulisan ini akan berfokus bagaimana mengidentifikasi glaukoma

dengan menggunakan citra fundus retina yang berstatus terjangkit glaukoma dan

citra fundus retina yang berstatus normal atau sehat.

Data yang akan diolah adalah citra fundus retina. Data diperoleh dari

sumber internet High-Resolution Fundus (HRF) Image Database. Data yang

diperoleh sebanyak 30 citra, dimana terdiri dari 15 citra terjangkit glaukoma dan 15

citra normal. Penelitian ini akan terbagi kedalam tiga proses utama yaitu

preproccessing, ekstraksi ciri, dan indentifikasi. Preprocesing yang digunakan

yaitu segmentasi manual, grayscaling, dan resize. Untuk ekstraksi ciri

menggunakan metode Gray Level Co-occurrence Matriks (GLCM). Dengan

menggunakan metode GLCM, akan didapatkan matriks kookurensi dari citra.

Matriks kookurensi ini kemudian dicari fiturnya yaitu kontras, korelasi,

homogenitas, dan energi. Sedangkan untuk identifikasinya menggunakan metode

K-Nearest Neighbor.

Penelitian ini akan membagi data menjadi dua bagian yaitu dataset dan data

uji. Dataset sebanyak 18 citra dan data uji 12 citra. Perhitungan akurasi

menggunakan metode 3 fold cross Validation, dimana dataset akan dibagi menjadi

tiga kelompok data dengan komposisi citra untuk tiap kelompok data adalah 6.

Perhitungan akurasi dan pengujian dilakukan sebanyak empat kali pengujian

dengan nilai k berbeda-beda yaitu 3, 5, 7, dan 9. Hasil akurasi tertinggi yang

didaptkan adalah 50%. Sedangkan untuk hasil pengujian identifikasi sebesar 83%.


ix

GLAUCOMA DETECTION

IN RETINAL FUNDUS IMAGE

USING K- NEAREST NEIGHBOR METHOD

ABSTRACT

Glaucoma is eye disease which is caused by high level or not normal eye’s

pressure. One cause of being not normal eyes` pressure is the current of tears is clogged up,

so the lacking of tears` production happens. Glaucoma can be identified by observing at

the optic area from retinal fundus image. This thesis will be focusing on how glaucoma can

be identified by using retinal fundus image which is in glaucoma infected status and retinal

fundus image in normal or good.

The data that would be analyzed were retinal fundus image. The data was taken

from internet High-Resolution Fundus (HRF) Image Database. The data of this research

had 30 images, which 15 were infected by glaucoma image and the other 15 were normal.

This research was divided into 3 main processes; there were preprocessing, extraction of

characteristic, and identification. Preprocessing which was used like manual segmentation,

gray scaling and resize. For the extraction of characteristic used Gray Level Co-occurrence

Matrix (GLCM) method. Using GLCM method will get Co-occurrence matrix from image.

Then, the writer will find the Co-occurrence matrix features; those are contrast, correlation,

homogeneity and energy. Whereas to identify used K-Nearest Neighbor method.

This research was divided in two parts; those were dataset and test data. For the

dataset had 18 images and the test data had 12 images. The accurate calculation used 3 fold

cross Validation, where the data set was divided into 3 data groups with image composition

for each data group was 6. The accurate calculation and evaluation were done in 4 times by

different k point; those were 3, 5, 7 and 9. The high result of accuracy was 50%. Whereas

the result of test identification was 83%.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sebab

berkat dan karunia yang diberikan-Nya penulis dapat menyelasikan tugas akhir

yang berjudul “DETEKSI GLAUKOMA PADA CITRA FUNDUS RETINA

DENGAN METODE K-NEAREST NEIGHBOR” dengan sebaik-baiknya.

Dengan selesainya tugas akhir ini penulis telah memenuhi salah satu syarat

memeroleh gelar Sarjana pada Program Studi Teknik Informatika Fakultas Sains

dan Teknologi Universitas Sanata Dharma.

Tidak lupa juga penulis ingin mengucapkan banyak-banyak terimakasih

kepada semua pihak yang telah ikut berpartisipasi dalam penyelesaian tugas akhir

ini. Ucapan terimakasih penulis berikan kepada:

1. Tuhan Yang Maha Esa yang senantiasa memberikan berkat, rahmat,

dan pencerahan selama proses menyelesaikan tugas akhir ini.

2. Ibu Dr. Anastasia Rita Widiarti selaku dosen pembibing sekaligus

kaprodi Teknik Informatika yang tidak bosan-bosanya senantiasa

memberikan bimbingan, pengarahan, semangat, dan pengetahuan

dalam proses penyelesaian tugas akhir ini dari awal hingga selesai.

3. Keluarga besar Bapak Tobias, yang selalu memberikan motivasi,

semangat, dan dukungan materi maupun non-materi.

4. Para sahabat kos Tasura 52, sahabat angkatan 2012 Teknik Informatika

Sanata Dharma, serta semua sahabat yang telah berpartisipasi dalam

memberikan dukungan motivasi, ilmu, semangat dan hiburan.


xi


xii

DAFTAR ISI

HALAMAN PERSETUJUAN ............................... Error! Bookmark not defined.

HALAMAN PENGESAHAN ................................ Error! Bookmark not defined.

HALAMAN PERSEMBAHAN ............................................................................ iv

PERNYATAAN KEASLIAN KARYA ................ Error! Bookmark not defined.

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ............................................................. vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ........................................................................................................... ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI .......................................................................................................... xi

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ................................................................................................. xv

BAB I PENDAHULUAN ....................................................................................... 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Perumusan Masalah .................................................................................. 2

1.3. Tujuan Penelitian ..................................................................................... 2

1.4. Pembatasan dan Ruanglingkup Permasalahan ......................................... 3

1.5. Metodologi Penelitian .............................................................................. 3

1.5.1. Studi Literatur ................................................................................... 3

1.5.2. Pengumpulan Data ............................................................................ 3

1.5.3. Pembuatan Sistem ............................................................................. 3

1.5.4. Analisis Hasil Pengujian ................................................................... 4

1.5.5. Penulisan Laporan ............................................................................. 4

1.6. Sistematika Penulisan ............................................................................... 4

BAB II LANDASAN TEORI ................................................................................. 6

2.1. Glaukoma ................................................................................................. 6

2.2. Pengenalan Pola ....................................................................................... 7

2.3. Pengolahan Citra ...................................................................................... 7

2.3.1. Pengertian Citra ................................................................................. 7


xiii

2.3.2. Pengolahan Citra Digital ................................................................... 8

2.4. Grayscaling ............................................................................................... 8

2.5. Data Mining .............................................................................................. 9

2.6. Gray Level Co-occurrence Matrix ........................................................... 9

2.7. K-Nearest Neighbor ............................................................................... 13

2.8. Pengujian 3 Fold Cross Validation ......................................................... 14

BAB III METODODLOGI PENELITIAN ........................................................... 16

3.1. Data ........................................................................................................ 16

3.2. Gambaran Umum Sistem ....................................................................... 17

3.3. Spesifikasi Hardware dan Software ....................................................... 17

3.4. Implementasi Perancangan ..................................................................... 18

3.4.1. Diagram Konteks ............................................................................ 18

3.4.2. Data Flow Diagram Level 1 ........................................................... 19

3.5. Proses Penelitian ..................................................................................... 19

3.5.1. Preprocessing .................................................................................. 20

3.5.2. Ekstraksi Ciri GLCM ...................................................................... 21

3.5.3. Identifikasi K-Nearest Neighbor ..................................................... 27

3.6. Perancangan Penelitian ........................................................................... 29

3.6.1. Data Training dan Data Testing ...................................................... 29

3.6.2. Pengujian 3 fold Cross Validation .................................................. 30

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ......................................... 31

4.1. Implementasi dan Hasil Ekstraksi Ciri dengan Metode GLCM ............. 31

4.1.1. Pembentukan GLCM ...................................................................... 31

4.1.2. Pencarian Ciri dari Matriks GLCM ................................................ 33

4.2. Menghitung Akurasi dengan 3 Fold Cross Validation .......................... 35

4.3. Hasil Identifikasi .................................................................................... 40

BAB V KESIMPULAN DAN SARAN ................................................................ 41

5.1. Kesimpulan ............................................................................................. 41

5.2. Saran ....................................................................................................... 42

DAFTAR PUSTAKA ........................................................................................... 43

LAMPIRAN .......................................................................................................... 45


xiv

DAFTAR GAMBAR

Gambar 2.1 Proses grayscaling ................................................................................ 8

Gambar 2.2 Hubungan antara citra asli dan matriks GLCM ................................. 10

Gambar 2.3 Ilustrasi penentuan arah ...................................................................... 10

Gambar 2.4 Menentukan pixel tetangga ................................................................ 11

Gambar 2.5 Proses pembentukan matriks GLCM ................................................. 11

Gambar 2.6 KNN dengan nilai tetangga 1-NN, 3-NN, 5-NN, 7-NN .................... 13

Gambar 2.7 Membagi dataset kedalam 3 kelompok data ...................................... 15

Gambar 3.1 Citra fundus retina .............................................................................. 16

Gambar 3.2 Alur identifikasi.................................................................................. 17

Gambar 3.3 Diagram konteks ................................................................................ 18

Gambar 3.4 Data Flow Diagram level 1 ................................................................ 19

Gambar 3.5 Crop manual citra retina untuk mendapatkan daerah optik dsik ........ 20

Gambar 3.6 Tahapan preprocessing ....................................................................... 20

Gambar 3.7 Diagram blok alur pembentukan GLCM ........................................... 22

Gambar 3.8 Alur menghitung kontras .................................................................... 23

Gambar 3.9Alur menghitung korelasi .................................................................... 24

Gambar 3.10 Alur menghitung energi ................................................................... 26

Gambar 3.11 Alur menghitung homogenitas ......................................................... 27

Gambar 3.12 Diagram blok alur identifikasi citra fundus retina dengan KNN ..... 29

Gambar 3.13 Diagram blok proses pembentukan data training ............................. 30

Gambar 3.14 Diagram blok proses identifikasi citra ............................................. 31

Gambar 4.1 Salah satu matriks dari citra asli ......................................................... 32

Gambar 4.2 Matriks kookurensi atau GLCM ........................................................ 33

Gambar 4.3 kontras, korelasi, energi, dan homogenitas ........................................ 35


xv

DAFTAR TABEL

Tabel 2.1 Komposisi data testing dan train saat iterasi ......................................... 15

Tabel 4.1 Data citra fundus retina ......................................................................... 35

Tabel 4.2 Pembagian data untuk data uji dan dataset ........................................... 36

Tabel 4.3 Komposisi citra untuk tiap data ............................................................ 36

Tabel 4.4 Pembagian kelompok data untuk data testing dan data training ........... 37

Tabel 4.5 Hasil pengujian 3 fold cross validation untuk 18 data .......................... 37

Tabel 4.6 Hasil pengujian 3 fold cross validation untuk 30 data .......................... 38

Tabel 4.7 Hasil ujicoba nilai k............................................................................... 40


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Mata merupakan salah satu organ tubuh manusia yang paling penting.

Selain sebagai organ tubuh, mata juga berperan sebagai alat indera penglihatan.

Oleh karena itu, mata menjadi sangat penting dalam kehidupan sehari-hari. Sebagai

salah satu bagian dari organ tubuh tentunya mata tidak lepas dari serangan penyakit,

entah itu serangan dari dalam maupun dari luar mata. Yang paling sering

menyerang mata adalah iritasi akibat masuknya benda-benda kecil seperti debu

ataupun serangga dengan ukuran sangat kecil masuk kedalam mata. Selain iritasi,

ada juga penyakit lain seperti katarak, bintitan, miopi, buta warna, kerabunan,

glaukoma, dan masih banyak lagi.

Glaukoma adalah penyakit mata yang ditandai oleh tekanan bola mata yang

meningkat, ekskavasi dan atrofi papil saraf optik, serta kerusakan lapang pandang

yang khas (Radjamin dkk, 1984). Sebenarnya glaukoma bukan penyakit yang baru-

baru ini muncul. Glaukoma telah dikenal sejak lama, akan tetapi belum banyak

masyarat mengetahui tentang bahaya penyakit ini. Jika terlambat atau tidak

ditangan dengan dengan benar, glaukoma dapat menyebabkan kebutaan permanen.

Yang membuat kurangnya kesadaran akan bahanya glaukoma dikarenakan gejala

dari penyakit ini yang kurang bisa dirasakan secara langsung oleh sang penderita

glaukoma itu sendiri.

Deteksi glaukoma dapat dilakukan dengan beragam cara, salah satunya

adalah dengan melihat ukuran optik disk pada foto fundus digital. Namun hasil

identifikasi foto fundus secara manual dapat menghasilkan diagnosis yang kurang

tepat. Maka yang akan dilakukan adalah proses simulasi dan analisis suatu sistem

yang dapat membantu dokter mendeteksi ukuran optik disk pada foto fundus

sehingga dapat mendiagnosis dengan cepat dan akurat. Metode yang digunakan

antara lain filtering, template matching, tresholding, serta dilate dan erode (Hadi,

2014).


2

Dengan adanya penelitian ini diharapkan dapat membantu bagaimana cara

mendiagnosis glaukoma pada citra fundus retina. Karena pada penelitian ini akan

membahas simulasi diagnosis glaukoma dengan citra fundus retina yang akan

diidentifikasi dengan algoritma K-Nearest Neighbor.

1.2. Perumusan Masalah

Dari latar belakang yang telah disampaikan sebelumnya, maka dapat

dijabarkan beberapa rumusan masalah yang dibahas pada tugas akhir ini, yaitu:

1. Bagaimana langkah-langkah mendapatkan fitur dari citra fundus retina dengan

menggunakan metode Gray Level Co-occurrence Matrix (GLCM).

2. Berapa persentase keberhasilan K-Nearest Neighbor dalam mengidentifikasi

glaukoma dari fitur GLCM.

3. Menentukan nilai k terbaik untuk K-Nearest Neighbor, dilihat dari besarnya

keberhasilan identifikasi.

1.3. Tujuan Penelitian

Tujuan yang ingin dicapai melalui penelitian ini adalah:

1. Mengetahui langkah-langkah mendapatkan fitur dari citra fundus retina dengan

menggunakan metode Gray Level Co-occurrence Matrix (GLCM).

2. Mendapatkan persentase keberhasilan K-Nearest Neighbor dalam

mengidentifikasi glaukoma dari fitur GLCM.

3. Mendapatkan nilai k terbaik dalam KNN

4. Melakukan simulasi untuk mengidentifikasi glaukoma dengan menggunakan

citra fundus retina.

5. Membuat alat bantu berupa sebuah perangkat lunak dalam membantu dalam

melakukan analisis hasil. Analisis yang dilakuan antara lain mencari ciri dari

citra dengan GLCM, dan hasil identifikasi dengan KNN.


3

1.4. Pembatasan dan Ruanglingkup Permasalahan

Beberapa batasan pada penulisan proposal tugas akhir ini:

1. Format citra adalah JPG sebanyak 30 citra yang telah disegmentasi secara

manual untuk mendapatkan daerah optik disknya.

2. Metode ekstraksi ciri yang digunakan adalah Gray Level Co-occurrence Matrix

(GLCM) dengan sudut arah 0o dan jarak spasial 1 serta empat ciri statistik

seperti kontras, korelasi, homogenitas, dan energi.

3. Deteksi glaukoma menggunakan algoritma K-Nearest Neighbor dengan

metode pengukuran jarak Euclidean Distance

1.5. Metodologi Penelitian

1.5.1. Studi Literatur

Studi literatur dilakukan guna mendapatkan informasi mengenai penelitian

yang akan dilakukan. Bentuk studi yang dilakukan adalah mencari dan mempelajari

buku referensi, artikel, dan jurnal yang berkaitan tentang glaukoma, Gray Level Co-

occurrence Matrix (GLCM), dan K-NN.

1.5.2. Pengumpulan Data

Data yang dikumpulkan adalah adalah data citra retina yang diambil

menggunakan kamera fundus. Data dikumpulkan dari sumber internet High-

Resolution Fundus (HRF) Image Database.

1.5.3. Pembuatan Sistem

Tahap ini akan memaparkan bagaimana sistem mendeteksi glaukoma dengan

metode ekstraksi ciri GLCM dan metode klasifikasi KNN. Sistem yang akan dibuat

hanya sebagai alat bantu dalam membantu dalam penelitian. Sistem akan dibangun

berdasarkan rancangan yang yang telah dirancang pada tahap sebelumnya.


4

1.5.4. Analisis Hasil Pengujian

Tahap ini akan menguji bagaimana mendapatkan ciri dari matrik GLCM,

klasifikasi KNN, dan persentase keberhasilan dalam klasifikasi. Pengujian akan

dilakukan untuk 30 data citra fundus retina.

1.5.5. Penulisan Laporan

Laporan penelitian dibuat berdasarkan proses dan hasil dari penelitian yang

telah dilakukan.

1.6. Sistematika Penulisan

Proposal ini secara garis besar tersusun atas 3 bab, yang akan diuraikan

seperti berikut:

BAB I LATAR PENDAHULUAN

Bab satu berisi tentang pendahuluan yang terdiri atas latar belakang

permasalahan, rumusan masalah, tujuan penelitian, batasan masalah dan

sistematika penulisan.

BAB II LANDASAN TEORI

Bab dua berisi uraian singkat dan rumus-rumus yang dipergunakan apabila

ada, mengenai teori-teori yang menjadi landasan utama penelitian.

BAB II METODOLOGI PENELITIAN

Bab tiga berisikan tentang gambaran umum teknis persoalan, data yag akan

diolah dalam penelitian, alat yang kan dipergunakan dalam proses

penelitian, keterangan rinci tahap-tahap penelitian, gambaran rancangan alat

yang akan dibangun.

BAB IV IMPLEMENTASI DAN ANALISIS HASIL

Bab empat akan berisi ujoba dan hasil ujicoba dari beberapa data sample

yang ada. Hasil ujicoba yang akan dipaparkan berupa hasil ekstraksi ciri dan

hasil klasifikasi.


5

BAB V KESIMPULAN DAN SARAN

Bab lima berisi kesimpulan dan saran dari seluruh hasil percobaan.

Kesimpulan dan saran ini diharapkan dapat menjadi acuan untuk melakukan

penelitian selanjutnya.


6

BAB II

LANDASAN TEORI

Pada bab ini akan menjelaskan konsep dasar dan teori-teori yang akan

digunakan dalam pengembangan penelitian ini, diantaranya glaukoma, pengenalan

pola, data mining, algoritma KNN, dan pengolahan citra.

2.1. Glaukoma

Ilyas (1999) mengatakan glaukoma berasal dari kata Yunani glaukos yang

berarti hijau kebiruan, yeng memberikan kesan warna tersebut pada pupil penderita

glaukoma.

Kelainan mata glaukoma ditandai dengan meningkatnya tekanan bola mata,

atrofi papil saraf optik, dan menciutnya lapang pandang. Penyakit yang

ditandaidengan peninggian tekanan intraokular ini disebabkan :

Bertambahnya produksi cairan mata oleh badan siliar

Berkurangnya pengeluaran cairan mata di daerah sudut bilik mata atau di

celah pupil.

Pada glaukoma akan terdapat melemahnya fungsi mata dengan terjadinya

cacat lapang pandang dan kerusakan anatomi berupa ekskavasi (penggaungan) serta

degenerasi papil saraf optik, yang dapat berakhir dengan kebutaan.

Ekskavasi glaukomatosa, penggaungan atau ceruk papil saraf optik akibat

glaukoma merupakan gejala glaukoma yang mengakibatkan kerusakan pada saraf

optik. Luas atau dalamnyaceruk ini pada glaukoma kongenital dipakai sebagai

indikator progresivitas glaukoma.

Klasifikasi Vaughen untuk glaukoma adalah sebagi berikut :

Glaukoma primer

glaukoma sudut terbuka (glaukoma simpleks)

glaukoma sudut sempit


7

Glaukoma kongenital

primer atau infantil

menyertai kelainan kongenital lainnya

Glaukoma sekunder

perubahan lensa

kelainan uvea

trauma

bedah

rubeosis

steroid dan lainnya

Glaukoma absolut

2.2. Pengenalan Pola

Pengenalan Pola adalah suatu disiplin ilmu yang mempelajari cara-cara

mengklasifikasi obyek ke beberapa kelas atau kategori dan mengenali

kecendrungan data. Tergantung pada aplikasinya, obyek-obyek ini bisa berupa

pasien, mahasiswa, pemohon kredit, image atau signal atau pengukuran lain yang

perlu diklasifikasikan atau dicari fungsi regresinya. Biasanya subyek ini disebut

dengan pengenalan pola atau pattern recognition (Santosa, 2007).

2.3. Pengolahan Citra

2.3.1. Pengertian Citra

Kata citra atau gambar berasal dari kata image dalam bahasa Inggris. Citra

sebagai salah satu komponen multimedia memegang peranan sangat penting

sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimilik

oleh data teks, yaitu citra kaya dengan informasi (Widiarti, 2013).


8

2.3.2. Pengolahan Citra Digital

Pengolahan citra digital adalah pemrosesan citra, khususnya dengan

menggunakan komputer, menjadi citra dengan kualitas lebih baik. Pengolahan citra

digital bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia

atau mesin. Pengolahan citra pada dasarnya dilakukan dengan cara memodifikasi

setiap titik dalam citra tersebut sesuai keperluan (Widiarti, 2013).

2.4. Grayscaling

Grayscaling adalah proses perubahan citra berbwarna menjadi citra

berskala keabuan. Proses ini terjadi dengan merubah tiga kanal warna merah, hijau,

dan biru menjadi satu kanal dengan nilai intensitas 0-255. Gambar 2.1 berikut

adalah contoh proses grayscaling dengan menggunakan fungsi matlab.

Gambar 2.1 Proses grayscaling

Gambar 2.1 diperlihatkan bagaimana citra berwarna menjadi citra keabuan

dengan saat dalam proses grayscaling. Proses grayscaling ini menggunakan fungsi

matlab. Langkah-langkah membuat citra berwarna menjadi citra keabuan sebagai

berikut:

warna = imread(‘Citra warna.jpg’)

keabuan = rgb2gray(warna)

Langkah yang pertama adalah meload gambar dengan menggunakan fungsi imread.

Kemudan untuk proses grayscaling menggunakan fungsi rgb2gray.

Citra berwarna Citra keabuan

grayscaling


9

2.5. Data Mining

Data mining, sering juga disebut knowledge discovery in database (KDD),

adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk

menemukan keteraturan, pola atau hubungan dalam set data berukuran besar.

Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan

keputusan dimasa depan. Sehingga istilah pattern recognition sekarang jarang

digunakan karena ia termasuk bagian dari data mining (Santosa, 2007).

2.6. Gray Level Co-occurrence Matrix

Gray Level Co-occurrence Matrix(GLCM) adalah matriks yang

merepresentasekan banyaknya suatu pixel i dan pixel tetangga j yang berada pada

sebuah citra. Menurut Putra (2013) matriks kookurensi merupakan matriks

berukuran L x L (L menyatakan banyaknya tingkat keabuan) dengan elemen P( )

yang merupakan distribusi probabilitas bersama (join probability distribution) dari

pasangan titik-titik dengan tingkat keabuan x1 yang berlokasi pada koordinat (j,k)

dengan x2 yang berlokasi pada koordinat (m,n). Koordinat pasangan titik-titik

tersebut berjarak d dengan sudut θ.

Dari pernyataan Putra, dapat disimpulkan bawha setiap citra akan memiliki

ukuran matriks kookurensi yang berbeda tergantung pada banyaknya tingkat

keabuan pada citra tersebut.


10

Gambar 2.2 Hubungan antara; (a)citra asli; (b)matriks GLCM

Gambar 2.2 bagian ada adalah citra asli dengan ukuran 5x5. Dari gambar a

dapat dilihat ada 3 tingkat keabuan, yaitu 0, 100, dan 250. Karena pada citra asli

terdapat 3 tingkat keabuan, maka matriks kookurensi yang akan dibuat adalah

matriks dengan ukuran 3x3 seperti yang ditunjukan Gambar 2.2 bagian b. Matriks

kookurensi dapat dituliskan P(i,j;d,θ). Dalam membangun hubungan antar pixel

diperlukan sudut θ digunakan dalam menentukan arah tetangga dan d untuk

menentukan jarak spasial.

Gambar 2.3 Ilustrasi penentuan arah

Dari ilustrasi seperti yangditunjukan Gambar 2.3, dapat ditentukan kearah

mana suatu pixel akan dihubungkan dengan pixel tetangganya. Dengan ilustrasi ini

dapat ditentukan matriks kookurensi dari citra asli Gambar 2.2 dimana matriks

GLCM yang akan dibentuk dengan jarak spasial d=1 dan sudut θ=0o atau dapat

dituliskan P(i,j;1,0o).

a. citra asli b. matriks GLCM


11

Gambar 2.4 Menentukan pixel tetangga

Pada gambar ini diperlihatkan bahwa menentukan tenagga untuk

membentuk sebuah hubungan antar pixel berdasarkan aturan P(i,j;1,0o). Karena

jarak spasial 1 dan sudut arah 0o, maka pixel j atau pixel tetangga dari pixel i berada

di kanan dengan jarak 1 pixel. Contoh, jika i(1,1) maka j(1,2).

Gambar 2.5 Proses mebentuk matriks GLCM

Gambar 2.5 menjelasakan bagaimana cara membentuk matriks

kookurensi(kanan) dari citra asli(kiri). Nilai tiap cell didapatkan dari jumlah

hubungan antar pixel pada citra asli yang memenuhi syarat P(i,j;1,0o) dimana jarak

antara suatu pixel dengan pixel tetangga sama dengan 1 dengan arah sudut 0o.

Seperti pada Gambar 2.4 yang ditunjukan lingkaran merah diamana nilai i=0 dan

j=0, d=1 dan θ=0o hanya ada 1 yang memenuhi. Sedangkan untuk yang nilai i=100


12

dan j=0, d=1 dan θ=0o ada 6 hubungan pixel yang memenuhi. Cara yang sama

dilakukan untuk mengisi matriks GLCM lainya hingga semua nilai matriks GLCM

di dapatkan.

Dari matriks GLCM yang telah didapatkan, kemudian carilah fitur yang bisa

didapatkan dari matriks tersebut. Menurut Haralick(1973), ada 14 fitur yang bisa

didapatkan dari matriks GLCM. Pada fungsi matlab hanya ada 4 fitur saja yang bisa

didapatkan, seperti yang dijelaskan dalam web mathworks.com, fitur tersebut antara

lain contrast, correlation, energy, dan homogeinity.

a. Kontras

∑|𝑖 − 𝑗|2𝑝(𝑖, 𝑗)

𝑖,𝑗

i = indeks baris dari matriks p(i,j)

j = indeks kolom dari matriks p(i,j)

b. Korelasi

∑(𝑖 − 𝜇𝑖)(𝑗 − 𝜇𝑗)𝑝(𝑖, 𝑗)

𝜎𝑖𝜎𝑗𝑖,𝑗

𝜇𝑖 = rata-rata elemen baris pada matriks p(i,j)

𝜇𝑗 = rata-rata elemen kolom pada matriks p(i,j)

𝜎𝑖 = nilai standar deviasi elemen baris pada matriks p(i,j)

𝜎𝑗 = nilai standar deviasi elemen baris pada matriks p(i,j)

c. Energi

∑ 𝑝(𝑖, 𝑗)2

𝑖,𝑗

d. Homogenitas

∑𝑝(𝑖, 𝑗)

1 + |𝑖 − 𝑗|𝑖,𝑗

(2.1)

(2.2)

(2.3)

(2.4)


13

2.7. K-Nearest Neighbor

Teknik ini termasuk dalam kelompok klasifikasi nonparametic. Di sini kita

tidak memperhatikan distribusi dari data yang ingin kita kelompokan. Teknik ini

sangat sederhana dan mudah diimplementasikan. Mirip dengan teknik klastering,

kita mengelompokan suatu data baru berdasarkan jarak data baru itu ke beberapa

data tetangga terdekat ditentukan oleh user yang dinyatakan dengan k (Santosa,

2007). Prinsip sederhana yang diadopsi oleh algoritma NN adalah “Jika suatu

hewan berjalan seperti bebek, bersuara kwek-kwek seperti bebek, dan

penampilannya seperti bebek, maka hewan itu mungkin bebek” (Prasetyo, 2014).

Gambar 2.6 K-NN dengan Nilai K Tetangga; (a)1-NN; (b)3-NN; (c)5-NN; (d)7-

NN

Gambar 2.6 menunjukan jumlah tetangga yang paling dekat yang dapat

dimuat dalam rentang nilai k yang telah ditentukan. Gambar a menunjukan 1

tetangga terdekat, gambar b 3 tetangga terdekat, gambar c 5 tetangga terdekat, dan


14

gambar d 7 tetangga terdekat. Untuk menetukan jarak tetangga terdekat dalam

terdapat berbagai macam cara salah satunya adalah dengan pendekatan euclidean

distance. Pendekatan euclidean distance dapat dinyatakan dengan persamaan

berikut:

𝑑(𝑥, 𝑦) = ||𝑥 − 𝑦||2 = √∑(𝑥𝑖 − 𝑦𝑖)2

𝑛

𝑖=1

Keterangan:

n = jumlah dimensi

xi dan yi = data

Setelah mendapatkan jarak untuk setiap data yang ada, kemudian dilakukan

sorting. Metode sorting yangdigunakan adalah quicksort. Sorting yang digunakan

pada metode ini adalah fungsi sorting dari matlab yaitu sortrows.

Penentuan nilai K dalam klasifikasi Nearest Neighbor merupakan bagian

yang sangat penting dalam menentukan keakuratan hasil. Nilai K yang terlalu kecil

maka berakibat hasil prediksi yang didapat bisa sensitif terhadap keberadaan noise.

Di sisi lain, jika K terlalu besar maka tetangga terdekat yang terpilih mungkin

sebenarnya tidak relevan karena jarak yang terlalu jauh (Prasetyo, 2014)

2.8. Pengujian 3 Fold Cross Validation

Pengujian 3 fold cross validation atau secara umum lebih dikenal dengan

k-fold cross validation adalah metode yang digunakan untuk mengukur tingkat

kevalidan atau akurasi dari suatu dataset. Dalam 3 fold, nilai k yang digunakan

adalah 3. Artinya dataset akan dibagi kedalam tiga kelompok data. Ketiga

kelompok data ini yang akan digunakan dalam iterasi dalam menghitung akurasi.

Dimana setiap iterasi komposisi data adalah satu kelompok data akan menjadi data

testing dan sisanya akan menjadi data training. Iterasi yang akan dilakukan

sebanyak k kali atau tiga kali.

(2.5)


15

Gambar 2.7 Membagi dataset kedalam 3 kempok data

Dari Gambar 2.7 dapat dilihat pembagian data set menjadi tiga kelompok

data. Jumlah data dibagi rata untuk setiap kelompok datanya. Misal data set

sebanyak 30 data, maka tiap kelompok data akan berisikan 10 kelompok data.

Dengan ketiga kelompok data ini akan dilakukan iterasi sebanyak 3 kali untuk

mendapatkan akurasi.

Tabel 2.1 Komposisi data testing dan training saat iterasi

Iterasi Data testing Data training

Iterasi 1 Kelompok 1 Kelompok 2 + Kelompok 3




16

BAB III

METODOLOGI PENELITIAN

Pada bab ini akan berisi gambaran umum teknis persoalan penelitian, data

yang akan diolah dalam penelitian, alat yang akan dipergunakan dalam proses

penelitian, dan keterangan rinci tahap-tahap penelitian.

3.1. Data

Data yang digunakan dalam penelitian ini adalah data citra retina. Proses

pengambilan citra menggunakan kamera fundus. Format dari data citra fundus

retina adalah JPG.

(a)

(b)

Gambar 3.1 Citra Fundus retina; (a) Healthy; (b) Glaukoma

(sumber: https://www5.cs.fau.de/research/data/fundus-images/)

Gambar 3.1 adalah citra dari fundus retina yang belum mengalami tahapan

preprocessing, Dimensi data adalah 3504 x 2336. Gambar 3.1 (a) menunjukan

retina yang sehat, sedangkan yang (b) menunjukan retina yang terserang glaukoma.

Jumlah data yang telah terkumpulkan masing-masing 15 data untuk citra fundus

retina sehat dan 15 data untuk citra fundus retina glaukoma. Data dikumpulkan dari

sumber internet High-Resolution Fundus (HRF) Image Database. Penamaan citra

menggunakan angka 1-30. Citra 1-15 merupakan citra glaukoma, dan citra 16-30

merupakan citra normal.


17

3.2. Gambaran Umum Sistem

Sistem ini merupakan sebuah sistem yang dibuat untuk mengolah citra

digital dalam mengidentifikasi penyakit glaukoma melalui citra fundus retina.

Dalam melakukan identifikasi, sistem ini menggunakan algoritma KNN. Proses

keseluruhan sistem dapat dilihat dalam diagram blok pada Gambar 3.2.

Gambar 3.2. Alur Identifikasi

Pada Gambar 3.2 dapat dilihat alur dari citra hingga mendapatkan output.

Output dari sistem ini berupa hasil kesimpulan suatu citra terdeteksi glaukoma atau

tidak. Didalam sistem metode identifikasi yang digunakan adalah metode KNN.

3.3. Spesifikasi Hardware dan Software

Perangkat yang akan digunakan untuk implementasi dan sebagai alat bantu

dalam melakukan simulasi pada penelitian ini adalah:

1. Hardware

a. Processor Intel(R) Core(TM) i3 CPU @2.3GHz

b. RAM 3072MB

c. Harddisk 320GB

2. Software

a. Sistem Operasi Windows 7 Ultimate

b. Matlab versi 8.0.0783(R2012b)

Citra

Fundus Retina

Normal

Atau

Glaukoma

Sistem Deteksi

Glaukoma dengan

Metode

Identifikasi KNN

Input Output


18

3.4. Implementasi Perancangan

3.4.1. Diagram Konteks

Gambar 3.3 Diagram konteks

Gambar 3.3 adalah gambar diagram konteks atau biasa disebut data flow

diagram (DFD) level 0. Diagram ini merupakan level tertinggi dalam DFD. Pada

diagram ini menjelaskan proses utama dalam sistem deteksi glaukoma. Pada

gambar diagram ini dapat dilihat terdapat user sebagai eksternal entity. Fungsi user

disini adalah memasukan input data kedalam sistem deteksi glaukoma berupa data

citra fundus retina yang telah mengalami segmentasi. Setelah user memasukan data,

maka sistem akan meberikan keluaran berupa hasil identifikasi. Hasil deteksi yang

diberikan berupa laporan apakah citra yang dimasukan oleh user terdeteksi

glaukoma atau tidak.


19

3.4.2. Data Flow Diagram Level 1

Gambar 3.4 Data Flow Diagram level 1

Jika pada Gambar 3.3 menjeleskan tentang alur sistem secara garis besar,

pada Gambar 3.4 akan membagi sistem kedalam 3 bagian utama. Bagian utam

sistem yang terdapat pada bagian ini antara lain preprocessing, ekstraksi ciri, dan

identifikasi. Ketiga proses ini perupakan proses utama dalam suatu sistem

pengenalan pola.

3.5. Proses Penelitian

Dalam pengenalan pola ada tiga tahap atau proses utama yang dikerjakan.

Ketiga proses tersebut adalah preprocessing, ekstraksi ciri, dan identifikasi. Ketiga

proses utama tersebut akan dibahas pada sub bab ini.


20

3.5.1. Preprocessing

Penelitian ini menggunakan ini menggunakan masukan berupa data citra,

oleh karena itu preprocessing merupakan bagian penting. Sebelum diolah ke tahap

lanjutan, data citra yang diinput akan mengalami preprocessing guna

mempermudah tahapan penelitian berikutnya. Preprocessing yang akan diterapkan

pada citra adalah grayscale dan resize. Namun sebelum melakukan kedua proses

tersebut, citra akan dicrop secara manual untuk mendapatkan optik disk dari citra

fundus reina.

Gambar 3.5 Crop manual citra retina untuk mendapatkan daerah optik disk

Gambar 3.5 adalah proses untuk mendapatkan daerah optik disk dari

citra fundus retina dengan cara crop manual pada citra asli. Proses ini juga dapat

disebut sebagai proses Region of Interest (ROI) dimana pada proses ini akan

diambil area penting dari suatu citra. Area penting yang dimaksudkan pada citra

funtus retina adalah area optik disk. Aplikasi yang digunakan untuk crop adalah

Paint pada windows 7.


21

Gambar 3.6 Tahapan preprocessing dari; (a)crop manual; (b)konversi

menjadi citra grayscale; (c)dan resize citra

Dari gambar 3.5 dapat dilkihat alur citra berwarna, menjadi citra keabuan,

dan citra keabuan yang mengalami resize. Untuk tahap grayscaling dan resize

sendiri menggunakan fungsi matlab im2bw untuk grayscaling dan resize untuk

resize. Resize digunakan agar setiap citra memiliki dimensi yang sama yaitu 100 x

100. Ukuran resize dapat disesuaikan pada saat identifikasi dan hitung akurasi

dataset.

Citra hasil resize akan digunakan untuk tahap selanjutnya yaitu pembuatan

matrik GLCM dan menghitung nilai statistik dari matrik GLCM tersebut. Proses

grayscaling sangat penting melakukan tahap ekstraksi ciri. Karena ekstraksi ciri

GLCM akan menghitung kookurensi atau hubungan tingkat keabuan suatu pixel

dengan pixel tetangganya.

3.5.2. Ekstraksi Ciri GLCM

Langkah berikut setelah preprocessing adalah ekstraksi ciri. Data input yang

digunakan adalah citra hasil preprocessing. Pada langkah ini metode yang

digunakan adalah GLCM (Gray Level Co-occurrence Matrix). Matriks GLCM

merepresentasi hubungan antar pixel dengan pixel tetangga. Alur dari metode ini

dapat dilihat pada diagram berikut:


22

Tentukan nilai d, θ,

dan ukuran matriks

GLCM

Pembentukan

matriks GLCM

Hitung ciri statistik

kontras, korelasi,

energi, dan

homogenitas

Citra hasil

preprosessing

Ciri statistik

Gambar 3.7 Diagram Blok Alur Pembentukan GLCM

Gambar 3.7 menunjukan alur dari citra hasil preprocessing digunakan

sebagai masukan dalam proses pembuatan matrik kookurensi. Hasil dari

preprocessing berupa matriks. Hitung jumlah tingkat keabuan yang ada pada citra

hasil preprocessing untuk menentukan ukuran matrik GLCM. Kemudian tentukan

besar jarak spasial d dan arah θ untuk mendapatkan nilai dari hubungn antar pixel.

Setelah mendapatkan matrik GLCM, hitunglah ciri statistiknya seperti kontras,

korelasi, energi, dan homogenitas. Untuk menghitung data statistik dapat dilihat

pada rumus kontras 2.1, korelasi 2.2, energi 2.3, dan homogenitas 2.4. Ciri

stasstatistik inilah yang akan digunakan untuk identifikasi. Untuk langkah-langkah

menghitung setiap ciri sendiri akan dijelaskan sebagai berikut.


23

a. Kontras

Mulai

Selesai

[r, c]=size(glcm)

kontras=0,

i=1, j=1

i=r?

j=c?

kontras=kontras+

((i-j)^2)*glcm(i,j)

j=j+1

i=i+1

ya

ya

tidak

kontras=kontras

j=1

tidak

Gambar 3.8. Alur menghitung kontras

Gambar 3.8 merupakan flowchart untuk menghitung kontras. Dalam

flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris

dikali kolom. Selama looping itulah sistem akan menghitung nilai kontrasnya. Hasil

dari perhitungan ini lah yang akan direturn sebagai ciri kontras kontras. Rumus dari

kontras sendiri dapat dilihat pada rumus 2.1.


24

b. Korelasi

Mulai

Selesai

[r, c]=size(glcm)

korelasi=0,

i=1, j=1

i=r?

j=c?

korelasi=korelasi+((i-average(glcm(i,:)))

*(j-average(glcm(:,j)))*glcm(i,j))/

(standarDeviasi(glcm(i,:))*

standarDeviasi(glcm(:,j)))

j=j+1

i=i+1

ya

ya

tidak

korelasi=korelasi

j=1

tidak

Gambar 3.9. Alur menghitung korelasi

Gambar 3.9 merupakan flowchart untuk menghitung korelasi. Dalam


dikali kolom. Selama looping itulah sistem akan menghitung nilai korelasi. Hasil

dari perhitungan ini lah yang akan direturn sebagai ciri kontras korelasi. Rumus dari

korelas sendiri dapat dilihat pada rumus 2.2. Untuk standar deviasi dan average

dapat dilihat pada pseudocode:


25

c. Energi

Mulai

Selesai

[r, c]=size(glcm)

energi=0, i=1,

j=1

i=r?

j=c?

energi=energi+

(glcm(i,j)^2)

j=j+1

i=i+1

ya

ya

tidak

energi=energi

j=1

tidak

Gambar 3.10. Alur menghitung energi

Gambar 3.10 merupakan flowchart untuk menghitung energi. Dalam


dikali kolom. Selama looping itulah sistem akan menghitung nilai energi. Hasil dari

perhitungan ini lah yang akan direturn sebagai ciri kontras energi. Rumus dari

kontras sendiri dapat dilihat pada rumus 2.3.


26

d. Homogenitas

Mulai

Selesai

[r, c]=size(glcm)

homogenitas=0

, i=1, j=1

i=r?

j=c?

homogenitas=homogenitas+

glcm(i,j)/(1+(abs(i-j)))

j=j+1

i=i+1

ya

ya

tidak

homogenitas=homogenitas

j=1

tidak

Gambar3.11. Alur menghitung homogenitas

Gambar 3.11 merupakan flowchart untuk menghitung homogenitas. Dalam


dikali kolom. Selama looping itulah sistem akan menghitung nilai homogenitasnya.

Hasil dari perhitungan ini lah yang akan direturn sebagai ciri kontras homogenitas.

Rumus dari homogenitas sendiri dapat dilihat pada rumus 2.4. Pada fungsi

perhitungan homogenitas pada Gambar 3.11 terlihat ada fungsi abs. Fungsi abs

adalah fungsi absolut atau mutlak. Artinya fungsi yang digunakan untuk

mendapatkan nilai postitif dari suatu bilangan. Fungsi absolut yang digunakan pada

penelitian ini menggunakan fungsi dari matlab.


27

3.5.3. Identifikasi K-Nearest Neighbor

Setelah mengalami preprocessing dan mendapatkan cirinya, sistem akan

melakukan identifikasi. Identifikasi akan dilakukan dilakukan dengan

membandingkan data uji sebagai data masukan dengan data training. Setelah itu

sistem akan mengurutkan data dengan jarak terdekat sesuai nilai k yang telah

ditetapkan. Kemudian menentukan data masukan berada pada kelas glaukoma atau

normal dengan menghitung kelas mayoritas dari nilai jarak terpendek yang berada

pada jangkauan k.

Pada bagian ini, data training yang digunakan terdiri dari 18 data berupa ciri

dari citra fundus retina. Ciri yang digunakan adalah contrast, correlation, energy,

dan homogeinity. Dari 18 data tersebut dibagi kedalam dua kelas yaitu glaucoma

dan normal. Alur identifikasi k-NN dapat dilihat pada Gambar 3.12.


28

Menentukan nilai k

Mengukur jarak data uji dan

data training menggunakan

euclidean distance

Mengurutkan hasil

pengukuran jarak terpendek

sebanyak nilai k

Menyimpulkan kelas dari

data uji terhadap data training

Ciri statistik dari

data uji

Data training

Menyimpulkan kelas dari

data uji terhadap data training

Gambar 3.12. Diagram Blok Alur Identifikasi Citra Fundus Retina dengan KNN

Setelah mendapatkan ciri statistik dari citra, kemudian ciri akan digunakan

untuk tahap identifikasi. Untuk mengukur jarak dalam identifikasi ini menggunakan

rumus 2.5 euclidean distance. Dalam proses ini perlu digunakan data training

sebagai pembanding. Data training inilah yang akan menjadi acuan citra fundus

retina termasuk kedalam kelas glaukoma atau kelas normal. Hasil perbandingan

didapatkan dari jumlah kelas terdekat yang paling banyak dalam jangkauan nilai k.


29

3.6. Perancangan Penelitian

3.6.1. Data Training dan Data Testing

Tahapan dalam sistem ini akan dibagi menjadi 2 yaitu tahapan pembentukan

data training dan pembentukan data uji. Data training merupakan hasil pengenalan

pola dari citra fundus retina yang mengalami glaukoma dan yang tidak mengalami

glaukoma. Sedangkan data uji adalah citra fundus retina yang akan dibandingkan

dengan data training apakah memiliki kemiripan dengan data yang terkena

glaukoma atau tidak.

Preprosesing

Ekstraksi ciri

dengan GLCM

Modeling

Citra fundus retina

Model

Gambar 3.13 Diagram Blok Proses pembentukan data training

Gambar 3.13 merupakan alur dari proses pembentukan data training. Data

awal berupa citra fundus retina, kemudian mengalami preprocessing, dicari ciri nya,

lalu di kluster berdasarkan ciri yang didapatkan yaitu mengalami glaukoma dan

yang tidak mengalami glaukoma.


30

Preprosesing

Ekstraksi ciri

dengan GLCM

Membandingkan

ciri citra dengan

KNN

Citra fundus retina

Model

Hasil identifikasi

Gambar 3.14 Diagram Blok Proses identifikasi citra

Gambar 3.14 merupakan proses identifikasi suatu citra fundus retina

apakah citra tersebut mengalami glaukoma atau tidak dengan membandingkan citra

tersebut dengan data training menggunakan algoritma KNN kemudian sistem akan

mengeluarkan hasil sesui kemiripan data yang dimasukan dengan data training.

3.6.2. Pengujian 3 fold Cross Validation

Untuk pengujian cross validation menggunakan 18 data citra sebagai

dataset. Dataset kemudian akan dibagi kedalam 3 kelompok data dengan komposisi

data 6 citra untuk setiap satu kelompok data. Kelompok data ini yang akan

digunakan menjadi data training dan data testing saat iterasi pengujian. Saat iterasi

pengujian, Satu kelompok data akan menjadi data testing, sedangkan dua sisanya

akan menjadi data training. Komposisi dapat dilihat pada Gambar 2.7 dan tabel 2.1.


31

BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

Pada bab ini akan menjelaskan hasil implementasi dari ekstraksi ciri dengan

metode GLCM, pengujian KNN dengan nilai k sebesar 3, 5, 7, dan 9, dan hasil

pengujian deteksi glaukoma.

4.1. Implementasi dan Hasil Ekstraksi Ciri dengan Metode GLCM

Ekstraksi ciri menggunakan metode Gray Level Co-occurrence Matrix

terbagi menjadi dua bagian, yaitu tahap pembentukan GLCM atau matriks

kookurensi, dan tahap yang kedua pencarian ciri dari matrik kookurensi tersebut.

Ciri yang akan dihitung dari matriks kookurensi antara lain kontras, korelasi, energi

dan homogenitas.

4.1.1. Pembentukan GLCM

Sebelum mendapatkan ciri dari suatu citra, buatlah matriks kookurensinya

terlebih dahulu. Matriks kookurensi inilah yang akan yang berisi informasi tentang

hubungan antara suatu pixel dengan pixel tetangga. Langkah-langkah membuat

matriks kookurensi sebagai berikut:

a. Mentukan pixel aktif dari citra

t=img;

u=unique(t); temp=zeros(size(t)); for i=1:size(u,1)

temp(t==u(i))=i; end

Tahap ini penting untuk menghindari pixel yang tidak aktif tari suatu citra

ikut dihitung dalam pembentukan matrik kookurensi. Matrik kookurensi yang

terdapat pixel tidak aktif dapat memengaruhi perhitungan ciri, seperti pada ciri

korelasi yang akan menghasilkan nilai NaN(Not a Number). Nilai NaN didapatkan


32

karena akan terdapat baris ke-1 sampai ke-n dan kolom ke-1 sampai ke-n yang

bernilai 0.

b. Menghitung banyaknya hubungan antar pixel

[r, c]=size(temp); for x=1:r

for y=1:c-1 val=[temp(x,y) temp(x,y+1)]; temp2=mat(val(1),val(2)); mat(val(1),val(2))=temp2+1; end end

Banyaknya hubungan antar pixel inilah yang akan dimasukan kedalam

matriks sebagai value. Menghitung value dari matrik kookurensi ini dilakukan

hingga semua kombinasi pasangan pixel telah dihitung.

Gambar 4.1 Salah satu matriks dari citra asli


33

Matriks pada Gambar 4.1 adalah matriks dari citra 1_hcrop.jpg atau

matrik citra fundus retina normal yang telah mengalamai preprocessing seperti

grayscale dan resize. Ukuran matriks setelah prepsocessing adalah 100x100.

Gambar 4.2 Matriks kookurensi atau GLCM

Gambar 4.2 ini merupakan matriks kookurensi dari citra pada

Gambar 4.1. Ukuran matriks kookurensi 123x123, artinya ada 123 pixel aktif dari

citra pada 4.1.

4.1.2. Pencarian Ciri dari Matriks GLCM

Setelah mendapatkan matriks kookurensi dari citra, langkah selanjutnya

adalah mencari cirinya. Langkah-mencari cirinya sebagai berikut:

a. Kontras

[r, c]=size(glcm); kon=0; for i=1:r for j=1:c kon=kon+((((i-1)-(j-1))^2)*glcm(i,j)); end end


34

b. Korelasi

[r, c]=size(glcm); kor=0; for i=1:r for j=1:c

kor=kor+((i-average(glcm(i,:)))*(j-

average(glcm(:,j)))*glcm(i,j))/(standarDevi

asi(glcm(i,:))*standarDeviasi(glcm(:,j))); end end

Untuk standar deviasi

[r, c]=size(glcm);

n=r*c;

n=n-1;

avg=average(glcm);

stdev=0;

for i=1:r

for j=1:c

stdev=stdev+((glcm(i,j)-avg)^2);

end

end

stdev=sqrt(stdev/n);

c. Energi

[r, c]=size(glcm); enr=0; for i=1:r for j=1:c enr=enr+(glcm(i,j)^2); end end

d. Homogenitas

[r, c]=size(glcm); hom=0; for i=1:r for j=1:c

hom=hom+(glcm(i,j)/(1+(abs((i-1)-(j-1))))); end end


35

Gambar 4.3 kontras, korelasi, energi, dan homogenitas

Empat ciri yang didapatkan dari matriks kookurensi Gambar 4.2. Ciri yang

didapatkan adalah kontras, korelasi, energi, dan homogenitas berturut-turut dari

kolom 1 hingga kolom 4. Keempat ciri inilah yang akan digunakan pada

identifikasi.

4.2. Menghitung Akurasi dengan 3 Fold Cross Validation

Total keseluruhan data yang digunakan 30 data yang terdiri dari 15 citra

fundus retina normal dan 15 citra fundus retina glaukoma. Data berformat jpg,

keseluran data dapat dilihat pada tabel 4.1 berikut.

Tabel 4.1 Data citra fundus retina

No Nama citra Keterangan

1 1 glaukoma

2 2 glaukoma

3 3 glaukoma

4 4 glaukoma

5 5 glaukoma

6 6 glaukoma

7 7 glaukoma

8 8 glaukoma

9 9 glaukoma

10 10 glaukoma

11 11 glaukoma

12 12 glaukoma

13 13 glaukoma

14 14 glaukoma

15 15 glaukoma

16 16 normal

17 17 normal

18 18 normal

19 19 normal


36

20 20 normal

21 21 normal

22 22 normal

23 23 normal

24 24 normal

25 25 normal

26 26 normal

27 27 normal

28 28 normal

29 29 normal

30 30 normal

Untuk pengujian akurasi menggunakan data sebanyak 18 citra sebagai

training. Data akan dibagi menjadi 3 kelompok data secara merata menjadi 6 data

citra untuk tiap kelompok datanya. Untuk data training menggunakan kombinasi

dari dua kelompok data. Sedangkan kelompok data yang tersisa akan menjadi data

testing. Pengujian akan dilakukan hingga semua kelompok data telah menjadi data

testing maupun training.

Tabel 4.2 Pembagian data untuk data uji dan dataset

Pembagian data Data Citra

Glaukoma Normal

Data uji citra 1 sampai 6 citra 16 sampai 21

Dataset citra 7 sampai 15 citra 22 sampai 30

Tabel 4.2 menjelaskan pembagian data, banyaknya data untuk data uji dan

datset, dan citra mana saja yang akan menjadi data uji dan dataset. Setelah data

dibagi, berikutnya membagi dataset kedalam 3 kelompok untuk melakukan

pengujian 3 fold cross validation.

Tabel 4.3 Komposisi citra untuk tiap data

Kelompok data Data Citra

kelompok 1 7 8 9 22 23 24

kelompok 2 10 11 12 25 26 27

kelompok 3 13 14 15 28 29 30


37

Setelah mendapatkan komposisi citra untuk tiap kelompok data seperti yang

ditunjukan Tabel 4.3, lakukan pengujian validasi. Untuk pengujian akan dilakukan

sebanyak 3 iterasi. Penggunaan kelompok data untuk setiap iterasi dapat dilihat

pada Tabel 4.4.

Tabel 4.4 Pembagian kelompok data untuk data testing dan data train

untuk tiap iterasi

Iterasi Data testing Data training

iterasi 1 kelompok 1 kelompok 2 + kelompok 3



Tabel 4.4 menjelaskan pembagian kelompok data untuk tiap iterasi

pengujian 3 fold cross validation. Setiap iterasi terdapat satu kelompok data sebagai

data testing dan dua kelompok data sebagai data train. Kelompok data yang

digunakan sebagai data testing, tidak dapat digunakan sebagai data training dalam

iterasi yang sama. Artinya setiap iterasi menggunakan kombinasi yang berbeda-

beda.

Tabel 4.5 Hasil pengujian 3 fold cross validation untuk 18 dataset

no citra identifikasi

Indikasi k=3 k=5 k=7 k=9

1 7 glaukoma 1 1 1 1



4 22 normal 1 1 1 1

5 23 normal 1 1 1 1

6 24 normal 1 1 1 1

7 10 glaukoma 0 0 1 0

8 11 glaukoma 0 0 1 0

9 12 glaukoma 0 0 1 0

10 25 normal 1 1 1 0

11 26 normal 1 0 1 1

12 27 normal 1 0 1 1

13 13 glaukoma 0 0 0 0

14 14 glaukoma 0 0 0 0

15 15 glaukoma 0 0 0 1


38

16 28 normal 0 0 0 1

17 29 normal 0 0 0 0

18 30 normal 0 0 0 1

salah 12 10 9 12

benar 6 8 9 6

akurasi 33.33333 44.44444 50 33.33333

Dari pengujian pada Tabel 4.5 dapat dilihat bahwa akurasi dari 18 data

training paling tinggi adalah 50% dengan nilai k = 7. Akurasi yang didapatkan tentu

masih kurang baik untuk dijadikan data training dalam sistem deteksi glaukoma.

Tabel 4.6 Hasil penguajian 3 fold cross validation untuk 30 data

No Citra Indikasi identifikasi

k=3 k=5 k=7 k=9






6 16 normal 0 0 0 0

7 17 normal 0 0 0 0

8 18 normal 0 0 0 0

9 19 normal 0 0 1 0

10 20 normal 1 1 1 1

11 6 glaukoma 1 1 1 1

12 7 glaukoma 1 1 1 1

13 8 glaukoma 1 1 1 1

14 9 glaukoma 1 1 1 1

15 10 glaukoma 1 1 1 1

16 21 normal 1 1 1 1

17 22 normal 1 1 1 1

18 23 normal 1 1 1 1

19 24 normal 1 1 1 1

20 25 normal 1 1 1 1

21 11 glaukoma 0 1 1 1

22 12 glaukoma 0 1 1 1

23 13 glaukoma 0 0 0 0

24 14 glaukoma 0 0 0 0


39

25 15 glaukoma 0 0 0 1

26 26 normal 0 0 0 0

27 27 normal 0 0 0 0

28 28 normal 0 0 0 1

29 29 normal 0 0 0 0

30 30 normal 0 0 0 1

Keterangan hasil uji

11 9 10 10

19 21 20 20

63.33333 70 66.66667 66.66667

Pengujian berikutnya yaitu menggunakan 30 data, dengan membagi data

secara kedalam 3 kelompok data dimana masing-masing kelompok data terdiri dari

10 data citra. Hasil dari pengujian ini lebih baik dengan akurasi terbesar yang

didapatkan adalah 70% dengan nilai k=5. Nilai akurasi untuk pengujian ini dapat

dikatakan cukup untuk digunakan dalam sistem deteksi glaukoma. Akan tetapi

karena keterbatasan data, maka pengujian untuk menemukan persentase benar

dalam mendeteksi tidak dapat dilakukan.


40

4.3. Hasil Identifikasi

Identifikasi menggunakan data uji sebanyak 12 data citra, yaitu citra 1-6 dan

citra 25-30. Hasil pengujian dapat dilihat pada tabel

Tabel 4.7 Hasil ujicoba nilai k


k=3 k=5 k=7 k=9

1 1 0 1 1 1

2 2 1 1 1 1

3 3 0 1 1 1

4 4 1 0 1 1

5 5 0 1 1 1

6 6 1 1 1 1

7 16 0 0 0 0

8 17 0 0 0 0

9 18 0 0 0 0

10 19 0 1 1 0

11 20 1 1 1 1

12 21 1 1 1 1

benar 7 8 9 10

salah 5 4 3 2

persentase benar 58.33333 66.66667 75 83.33333

Walaupun akurasi dari dataset untuk 18 data citra hanya mencapai 50%,

tetapi hasil uji terhadap 12 data testing adalah 83.3333% untuk pengujian dengan

nilai k = 9. Pengujian ini menggunakan citra yang berbeda dengan citra yang

digunakan sebagai dataset. Pada pengujian ini, persentase identifikasi dengan benar

cukup tinggi, akan tetapi karena dataset yang digunakan memeiliki akurasi yang

kurang, maka hasil ini belum bisa dikatakan valid.


41

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dari implementasi dan hasil penelitian deteksi glaukoma, dapat ditarik

kesimpulan sebagai berikut:

1. Penelitian ini mengunakan data berupa citra dari retina yang diambil

menggunakan kamera fundus. Data citra berformat JPG. Data yang digunakan

diambil dari sumber internet High-Resolution Fundus (HRF) Image Database.

2. Penelitian terbagi menjadi tiga bagian yaitu preprocessing, ekstraksi ciri, dan

identifikasi. Preprocessing pada penelitian ini menggunakan metode

grayscaling, resize dan segmentasi. Ekstraksi ciri menggunakan metode gray

level co-occurrency matrix (GLCM) dengan mengambil empat fitur dari matrik

GLCM yaitu kontras, korelasi, homogenitas, dan energy. Untuk identifikasi

menggunakan metode k-Nearest Neighbor (k-NN).

3. Untuk membuat matriks kookurensi, terlebih dahulu tentukan arah dan jarak

spasial. Kemudian hitung probabilitas munculnya pixel dengan pixel tetangga

yang memenuhi syarat jarak spasial dan arah yang telah ditentukan tadi.

4. Untuk pengujian identifikasi data citra dibagi menjadi 18 data training yang

terdiri dari 9 citra glaukoma dan 9 citra normal, dan 12 data testing dengan 6

citra normal dan 6 citra glaukoma. Dari percobaan identifikasi didapatkan hasil

83.3333% persentase benar dengan nilai k = 9.

5. Akurasi pengujian tertinggi untuk 30 dataset 70% dengan nilai k = 5.

Sedangkan untuk 18 dataset akurasi tertinggi 50% dengan nilai k = 7. Untuk

pembuatan matrik kookurensi menggunakan jarak spasial d=1 dan sudut θ=0o.


42

6. Dalam identifikasi dengan metode KNN, penentuan nilai k sangat

memengaruhi hasil identifikasi.

5.2. Saran

Dari hasil penelitian deteksi glaukoma ini, ada beberap saran yang diberikan

penulis untuk penelitian selanjutnya dengan topik yang sama yaitu:

1. Jumlah data yang digunakan pada penelitian ini masih sangat kurang yaitu 30

data, untuk mendapatkan hasil yang maksimal pada penelitian selanjutnya

dapat menggunakan data lebih banyak lagi.

2. Preprocessing citra masih menggunakan metode yang sederhana, terlebih pada

bagian segmentasi. Segmentasi yang digunakan pada penelitian ini masih

secara manual. Untuk hasil yang maksimal perlu memperdalam pada

segmentasi untuk mendapatkan bagian optik disk pada citra fundus retina.

Karena bagian optik disk ini merupakan bagian penting dalam mendeksi

glaukoma.

3. Membuat matrik kookurensi atau GLCM dengan menggunakan jarak spasial

selain 1 dan sudut selain 0o, atau dengan menggunakan multipel GLCM yaitu

mengunakan beberapa matrik kookurensi dengan jarak spasial dan sudut yang

berbeda-beda.

4. Untuk metode identifikasi bisa menggunakan metode selain KNN, karena yang

terpenting pada penelitian ini adalam bagaimana mensegmentasi mendapatkan

ciri dari citra fundus retina. Maka dari itu perlu lebih mendalamai pada bagian

preprocessing dan ekstraksi cirinya.


43

DAFTAR PUSTAKA

Ilyas, S. 1999. Ilmu Penyakit Mata. Balai Penerbit Fakultas Kedokteran Universitas

Indonesia: Jakarta.

Hadi, F., Budiman, G., dkk.______. Deteksi Glaukoma Pada Foto Fundus Resolusi

Tinggi. Jurnal. Fakultas Teknik Elektro . Universitas Telkom.

Haralick, M. R., Shanmugam, K., dkk. 1973. Textural Features for Image

Classification. Volume 6. Jurnal.

Kusuma, A. A., Isnanto, R. R., dkk.______. Pengenalan Iris Mata Menggunakan

Pencirian Matriks Ko-Okurensi Aras Keabuan. Jurnal. Fakultas Teknik.

Universitas Diponegoro.

Prasertyo, E. 2014. DATA MINING. Andi Offset: Yogyakarta.

Putra, T. W. A. 2013. Pengenalan Wajah Dengan Matriks Kookurensi Aras

Keabuan dan Jaringan Saraf Tiruan Probabilistik. Tesis. Program Studi

Sistem Informasi. Universitas Diponegoro. Semarang.

Radjamin, T., dkk. 1984. Ilmu Penyakit Mata. Lembaga Penerbitan Universitas

Airlangga: Surabaya.

Santosa, B. 2007. Data mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis.

Graha Ilmu Yogyakarta

Simon, E., Purnawan F., dkk.______. Penerapan Algoritma Jaringan Saraf Tiruan

Propapgasi Balik dan Transformasi Hough untuk Deteksi Lokasi Mata pada

Citra Digital. Jurnal. Program Studi Teknik Informatika. Universitas

STIMIK GI MDP.


44

Widiarti, A. R., dan Himamunato, A. R. 2013. Teori dan Aplikasi Pengolahan Citra

Digital. Lintang Pustaka Utama: Yogyakarta.


45

LAMPIRAN

Lampiran 1. Data Citra Fundus Retina dan Cirinya

No Citra asli Hasil segmentasi

manual Keterangan Ciri

1

“1_g.jpg”

“1.jpg”

glaukoma

Kontras 278190

Korelasi 11531363.8172638

Energi 640602

Homogenitas 8926.25626004906

2

“2.g.jpg”

“2.jpg”

glaukoma

Kontras 230956

Korelasi 15176936.6322354

Energi 765592

Homogenitas 9139.25562231888

3

“3.g.jpg”

“3.jpg”

glaukoma

Kontras 241980

Korelasi 12005248.9119358

Energi 829326

Homogenitas 9510.24081638523

4

“4.g.jpg”

“4.jpg”

glaukoma

Kontras 262190

Korelasi 14487229.1492620

Energi 718238

Homogenitas 9220.38484165475

5

“5.g.jpg”

“5.jpg”

glaukoma

Kontras 210518

Korelasi 10271382.8478728

Energi 800714

Homogenitas 9252.45316236051

6

“6.g.jpg”

“6.jpg”

glaukoma

Kontras 241690, , ,

Korelasi 9317233.13418684

Energi 719766

Homogenitas 9149.04894013795

7

“7.g.jpg”

“7.jpg”

glaukoma

Kontras 356658

Korelasi 16064914.2953998

Energi 468714

Homogenitas 8187.84423605290

8

“8.g.jpg”

“8.jpg”

glaukoma

Kontras 421656

Korelasi 16918968.2632252

Energi 535620

Homogenitas 8149.16098514564


46



9

“9.g.jpg”

“9.jpg”

glaukoma

Kontras 263716

Korelasi 12646828.8894551

Energi 677266

Homogenitas 8861.46818928408

10

“10.g.jpg”

“10.jpg”

glaukoma

Kontras 438442

Korelasi 11898683.1173944

Energi 451252

Homogenitas 7910.39417248387

11

“11.g.jpg”

“11.jpg”

glaukoma

Kontras 323542

Korelasi 7954226.39438871

Energi 652618

Homogenitas 8596.67188024656

12

“12.g.jpg”

“12.jpg”

glaukoma

Kontras 228104

Korelasi 2437484.78058364

Energi 938090

Homogenitas 9114.48374566609

13

“13.g.jpg”

“13.jpg”

glaukoma

Kontras 291854

Korelasi 27995455.7682691

Energi 425270

Homogenitas 8376.97198544488

14

“14.g.jpg”

“14.jpg”

glaukoma

Kontras 302154

Korelasi 34789900.6796636

Energi 492402

Homogenitas 8249.77990297159

15

“15.g.jpg”

“15.jpg”

glaukoma

Kontras 430092

Korelasi 22003414.6238094

Energi 580038

Homogenitas 8518.26425200504

16

“1h.jpg”

“16.jpg”

normal

Kontras 739694

Korelasi 54962294.8355759

Energi 275242

Homogenitas 6820.90339839049

17

“2h.jpg”

“17.jpg”

normal

Kontras 826056

Korelasi 59339488.2740727

Energi 295126

Homogenitas 6771.17861526529


47



18

“3h.jpg”

“18.jpg”

normal

Kontras 768076

Korelasi 40539868.6978895

Energi 303412

Homogenitas 7414.89877828454

19

“4h.jpg”

“19.jpg”

normal

Kontras 531564

Korelasi 17863257.6263792

Energi 352114

Homogenitas 7856.77419461042

20

“5h.jpg”

“20.jpg”

normal

Kontras 267988

Korelasi 6999367.98898824

Energi 660386

Homogenitas 8972.03339128191

21

“6h.jpg”

“21.jpg”

normal

Kontras 273548

Korelasi 5891975.62941999

Energi 561400

Homogenitas 8456.44715035566

22

“7h.jpg”

“22.jpg”

normal

Kontras 388650

Korelasi 17038301.9487621

Energi 417856

Homogenitas 7914.60003744745

23

“8h.jpg”

“23.jpg”

normal

Kontras 270972

Korelasi 16312662.6968790

Energi 451442

Homogenitas 8572.86937668456

24

“9h.jpg”

“24.jpg”

normal

Kontras 424054

Korelasi 12542204.8526046

Energi 703024

Homogenitas 8273.68431317074

25

“10h.jpg”

“25.jpg”

normal

Kontras 292508

Korelasi 18638993.4108166

Energi 703286

Homogenitas 8586.76873337034

26

“11h.jpg”

“26.jpg”

normal

Kontras 417914

Korelasi 53343346.3402416

Energi 477114

Homogenitas 7886.87746384304


48

No Citra asli Hasil

preprocessing Keterangan Ciri

27

“12h.jpg”

“27.jpg”

normal

Kontras 420580

Korelasi 30163355.2001515

Energi 488116

Homogenitas 7740.25179626574

28

“13h.jpg”

“28.jpg”

normal

Kontras 357854

Korelasi 26344072.2950231

Energi 454050

Homogenitas 8315.61534949398

29

“14h.jpg”

“29.jpg”

normal

Kontras 283494

Korelasi 35916869.0270255

Energi 557802

Homogenitas 8493.55023255039

30

“15h.jpg”

“30.jpg”

normal

Kontras 192934

Korelasi 23224628.9920829

Energi 638986

Homogenitas 8786.68960413513


49

Lampiran 2 glcmFix.m


50

Lampiran 3 Kelas untung menghitung fitur

kontras.m

korelasi.m

energi.m


51

homogenitas.m


52

Lampiran 4 Proses Mendapatkan 4 ciri dari citra Asli

Langkah-langkah pembuatan matriks kookurensi dapat dilihat pada bab 2 sub bab

GLCM

Kontras

Dari fungsi kontras dapat dibentuk matriks perhitungan untuk setiap cell dari

matriks GLCM sebelum dijumlahkan.

Ketika i = 1, dan j = 1 maka:

Kontras(1,1) = |1 − 1|21

Kontras(1,1) = 0

(i,j) 1 2 3

1 0 2 8

2 6 0 2

3 8 3 0

Proses pembentukan Matriks GLCM

Citra asli Matriks GLCM


53

Setelah mendapatkan matriks perhitungan, jumlahkan semua hasil

perhitungan tersebut untuk mendapatkan kontras.

Kontras = 0 + 2 + 8 + 6 + 0 + 2 + 8 + 3 + 0

= 29

Korelasi

Dari fungsi korelasi dapat dibentuk matriks perhitungan untuk setiap cell dari



𝜇𝑖 = 1 + 2 + 2 = 5

𝜇𝑗 = 1 + 6 + 2 = 9

𝜎𝑖 = √(1−10)2+(2−10)2+(2−10)2

3 = 0.577

𝜎𝑗 = √(1−10)2+(6−10)2+(2−10)2

3 = 2.645

Korelasi(1,1) = (1−5)(1−9)1

0.577∗2.645

Korelasi(1,1) = 0.872

(i,j) 1 2 3

1 0.872 0 -5.333

2 1.714 0 2

3 -1.511 0 2.309


54


perhitungan tersebut untuk mendapatkan korelasi.

Korelasi = 0.872 + 0 + (-5.333) + 1.714 + 0 + 2 + (-1.511) + 0 + 2.309

= -3.69438

Homogenitas

Dari fungsi homogenitas dapat dibentuk matriks perhitungan untuk setiap cell

dari matriks GLCM sebelum dijumlahkan.


Homogenitas(1,1) = 12

= 1

(i,j) 1 2 3

1 1 4 4

2 36 1 4

3 4 9 1


perhitungan tersebut untuk mendapatkan homogenitas.

Homogenitas = 1 + 4 + 4 + 36 + 1 + 4 + 4 + 9 + 1

= 64

Energi

Dari fungsi energi dapat dibentuk matriks perhitungan untuk setiap cell dari




55

Energi(1,1) = 1

1+|1−1|

= 1

(i,j) 1 2 3

1 1 1 0.667

2 3 1 1

3 0.667 1.5 1


perhitungan tersebut untuk mendapatkan energi.

energi = 1 + 1 + 0.667 + 3 + 1 + 1 + 0.667 + 1.5 + 1

= 10.833


56

Lampiran 5 Akurasi dengan menggunakan matriks GLCM serta fitur dari

matlab


3 5 7 9

1 7 0 0 0 0

2 8 1 1 0 0

3 9 1 0 0 0

4 22 1 0 0 0

5 23 0 0 0 0

6 24 0 0 0 0

7 10 1 1 1 1

8 11 1 1 1 1

9 12 1 1 1 1

10 25 1 1 1 1

11 26 0 1 1 0

12 27 1 0 1 0

13 13 0 0 0 0

14 14 0 0 0 0

15 15 0 0 0 0

16 28 0 0 0 0

17 29 0 0 0 0

18 30 1 1 1 1

salah 6 8 10 8

benar 12 10 8 10

akurasi 66.66667 55.55556 44.44444 55.55556

Hasil akurasi terbesar dengan fungsi matlab adalah 66.667% dengan nilai k=3,

sedangkan dengan fungsi buatan penulis sebesar 50% dengan nilai k=7.


57

Lampiran 6 Pengujian dengan menggunakan matriks GLCM serta fitur dari

matlab


3 5 7 9

1 1 1 1 1 1

2 2 1 1 1 1

3 3 1 1 1 1

4 4 0 1 1 1

5 5 1 1 1 1

6 6 0 1 1 1

7 16 0 0 0 0

8 17 0 0 0 0

9 18 0 0 0 0

10 19 0 0 0 0

11 20 1 1 1 1

12 21 1 1 1 1

salah 4 2 2 2

benar 8 10 10 10

presentase benar 66.66667 83.33333 83.33333 83.33333

Hasli ujicoba dengan fungsi matlab sebesar 83..33% dengan nilai k 5, 7, dan 9,

sedangkan dengan fungsi penulis sebesar 83.33% dengan nilai k=9.


Documents

DETEKSI GLAUKOMA PADA CITRA FUNDUS RETINA … · DETEKSI GLAUKOMA PADA CITRA FUNDUS RETINA DENGAN METODE K-NEAREST NEIGHBOR SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh