Detail Karya Ilmiah

  • Klasifikasi Tingkat Diabetic Retinopathy Menggunakan K-Nearest Neighbors dan Moment Invarians Berbasis Fitur
    Penulis : Siti Maria Ulfah
    Dosen Pembimbing I : Dr. Arif Muntasa, S.Si., M.T.
    Dosen Pembimbing II :Dr. Indah Agustien S., S.Kom., M.Kom.
    Abstraksi

    Salah satu hasil komplikasi dari penyakit Diabetes Mellitus yaitu Retinopati Diabetes. Penyakit ini dapat menyebabkan kebutaan secara permanen jika tidak ditangani sejak dini. Angka penyandang Retinopati Diabetes terus meningkat seiring bertambahnya penyandang Diabetes Mellitus.Untuk itu diperlukan suatu sistem yang dapat mendeteksi penyakit ini sejak gejala awal. Dalam penelitian ini dibuat sebuah perangkat lunak untuk mendeteksi Retinopati Diabetes secara otomatis. Terdapat 3 langkah utama untuk proses deteksi. Langkah pertama dengan menyiapkan citra input. Citra input yang digunakan yaitu citra asli dalam bentuk grayscale serta citra asli yang dieliminasi pembuluh darahnya. Untuk melakukan eliminasi pembuluh darah dengan proses overlapping antara citra hasil segmentasi pembuluh darah dengan citra original database. Langkah kedua dengan ektraksi fitur menggunakan moment invariant method. Hasil dari proses ekstraksi fitur digunakan untuk proses klasifikasi dengan KNN Classifier dan dilakukan pengujian pada data testing untuk mendapatkan grade hasil klasifikasi tingkat keparahan Diabetic Retinopathy. Sistem ini dapat bekerja dengan tingkat akurasi maksimum sebesar 58% berdasarkan perubahan nilai K. Akurasi maksimum dengan perubahan jumlah Training mencapai 95%.

    Abstraction

    one of the diabetes mellitus complications is diabetic retinopathy. If there is no early treatment, this disease can eventually lead to blindness. By the incrase of diabetes mellitus patient, the number of diabetic retinopathy patient also increased. It is required a system which can detect the early symptoms. In this research will be created a software to detect diabetic retinopathy automatically. There are three proposed main steps in this research. The first step is set up the input image. The input image is greyscale image which the blood vessel has been eliminated. The blood vessel is eliminated by overlapping process between segmented blood vessel image with original database image. The second step is feature extraction using moment invariant approach. The result of feature extraction will be used for classification phase using KNN Classifier and testing will be done to testing data to get the saverity grade of diabetic retinopathy. This system’s accuracy is above 58 with change of K value. Maximum accuracy with change of Training is 95%.

Detail Jurnal