Pengenalan Pola Citra Diabetes Retinopati Menggunakan Metode SVM Dengan Memanfaatkan Feature Maksimal Dan Standart Devias
PREPROCESSING MEDIAN FILTER FEATURE VECTOR PENGENALAN POLA
Gambar 3. Alur Penelitian
Alur pertama adalah preprocessing. Pada pengolah awal dilakukan mengambil nilai citra kanal kuning, dari citra YCbCr. Filter median akan meningkatkan kualitas citra (enhancement). Dataset vektor ciri diambil dari nilai maksimal dan standar deviasi dari setiap citra. SVM diterapkan untuk mengenali pola diabetik. Pengujian dilakuan teknik confusions matrix.
2.2.Dataset Citra
Terdapat dua jenis dataset, yaitu dataset scan retina normal dan dataset scan retina dengan diabetes retinopati. Dataset diambilkan dari foto fundus Lasik Center, Rumah Sakit Sultan Agung Semarang, Terdapat 60 dataset, dengan 30 set adalah scan retina normal dan 30 set sisanya dari scan retina dengan diabetes retinopati. Dimensi citra adalah 700 x 605.
1.
PreprocessingPada tahap pre-processing, terjadi proses transformasi warna, dari warna RGB ke YCbCr. Informasi luminasi diwakili oleh komponen tunggal Y dan informasi warna disimpan sebagai komponen warna yang
berbeda, yaitu Cb dan Cr. Konversi warna YCbCr dapat diperoleh dari model RGB dengan persamaan berikut [6].
[ ] [ ] [ ] [ ](1)
Transformasi warna dari citra RGB ke citra YCbCr diperlihatkan pada Gambar 8.
2.
Median FilterCitra hasil scan citra digital mempunyai noise salt and papper. Noise salt and paper pada penelitian ini diatasi dengan filter median. Filter median melakukan pengurutan nilai intensitas sekelompok piksel, kemudian mengganti nilai piksel yang diproses dengan nilai mediannya[7] (Gambar 4).
(a) (b)
Gambar 4. Denoising: (a) Citra Awal (b) Citra dengan Median Filter
3.
Feature VectorFeature vector merupakan vector yang berisi kumpulan ciri. Jumlah cirri menentukan diadakannya ekstraksi ataukah tidak. Jika jumlah ciri hanya 2, maka grafik kartesian yang dihasilkan, disajikan dalam 2 dimensi[7].
)) (2)
Max2D adalah nilai maksimal 2 dimensi, Citra Y adalah nilai dari pixel citra Y.
√∑ ∑ )
(3)
x’ adalah nilai rata-rata dari pixel citra, x adalah Nilai dari pixel citra, I adalah baris, dan j adalah kolom, n adalah jumlah baris, m adalah jumlah kolom.
Gambar 5. Citra Scan Retina Normal
Gambar 6. Citra Scan Retina Dengan Diabetes Retinopati
4.
Pengenalan PolaPengenalan pola yang digunakan yaitu SVM (Support Vector Machine). SVM konsep merupakan salah satu metode pada algoritma analisis klaster yang paling sederhana[8]. Metode ini hanya memisahkan antar klaster dengan garis lurus yang mempunyai persamaan tertentu.
3.
HASIL DAN PEMBAHASAN
Dataset citra yang terkumpul, selanjutnya digunakan sebagai input untuk mencari dataset dengan menggunakan citra maksimal dan standart deviasi (Tabel 1).
Berdasarkan Tabel 1, dapat dilihat bahwa sebaran data pada nilai standart deviasi
adalah sebesar 6,47322 sedangkan pada nilai maksimal mempunyai sebaran data 44,39671.
Nilai maksimal dan nilai standart deviasi kemudian dipetakan ke dalam grafik kartesian 2 dimensi, dimana nilai maksimal sebagai sumbu x dan nilai standart deviasi sebagai sumbu y. Selanjutnya, pemetaan ciri maksimal dan standart deviasi akan dianalisis dengan menggunakan SVM.
60
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Id paper: SM040Tabel 1.Hasil 60 Data Set
No Nama
File
Maksimal Standar
Deviasi
No Nama File Maksimal Standar Deviasi
1 Normal1 106 10,83 31 Tdknor1 44 10,75 2 Normal2 119 18,82 32 Tdknor2 57 10,45 3 Normal3 124 15,61 33 Tdknor3 187 21,41 4 Normal4 70 12,24 34 Tdknor4 127 17,51 5 Normal5 101 9,14 35 Tdknor5 44 10,9 6 Normal6 110 19,65 36 Tdknor6 45 9,86 7 Normal7 169 11,97 37 Tdknor7 51 10,49 8 Normal8 75 11,44 38 Tdknor8 155 33,95 9 Normal9 99 10,46 39 Tdknor9 64 9,71 10 Normal10 70 11,09 40 Tdknor10 40 10,09 11 Normal11 116 20,47 41 Tdknor11 68 11,15 12 Normal12 127 29,58 42 Tdknor12 86 15,44 13 Normal13 97 13,75 43 Tdknor13 79 11,54 14 Normal14 113 11,37 44 Tdknor14 71 14,2 15 Normal15 66 11,28 45 Tdknor15 81 12,28 16 Normal16 52 12,09 46 Tdknor16 48 11,83 17 Normal17 109 24,67 47 Tdknor17 122 20,09 18 Normal18 147 25,93 48 Tdknor18 45 11,7 19 Normal19 192 19,26 49 Tdknor19 58 12,56 20 Normal20 164 16,92 50 Tdknor20 39 6,48 21 Normal21 155 24,18 51 Tdknor21 115 15,99 22 Normal22 199 27,87 52 Tdknor22 62 10,82 23 Normal23 136 30,74 53 Tdknor23 46 8,52 24 Normal24 99 20,7 54 Tdknor24 57 10,32 25 Normal25 156 27,82 55 Tdknor25 92 14,86 26 Normal26 153 12,7 56 Tdknor26 49 11,29 27 Normal27 160 20,54 57 Tdknor27 53 11,38 28 Normal28 39 9,47 58 Tdknor28 67 7,8 29 Normal29 65 8,45 59 Tdknor29 62 9,18 30 Normal30 53 7,46 60 Tdknor30 54 9,59 a) b) c) d)
Gambar 8. Hasil Klasifikasi Menggunakan Metode SVM
SVM digunakan untuk memodelkan persamaan garis pemisah antara 2 kelas. Hasil dari model SVM dapat dilihat pada Gambar 8. Pada gambar 8, dapat dilihat bahwa dataset retina normal diwakili oleh angka 1 dimana angka 1 memiliki titik berupa warna hijau, dan dataset retina dengan diabetes retinopati diwakili oleh angka 0 dan memiliki titik berupa warna merah. Model akhir dari persamaan pengenalan pola ditunjukan pada Persamaan 4.
{
(4)
Hasil dari penelitian menunjukan bahwa terdapat 38 support vector untuk memproses 60 titik ciri, dengan waktu proses 4,790051 detik. Terdapat beberapa hasil yang menyimpang dari kedua jenis dataset tersebut, dimana ada 8 dataset retina normal berada pada area retina dengan diabetes retinopati. Dan terdapat 5 data set retina dengan diabetes retinopati yang berada pada area retina normal. Hasil klasifikasi metode SVM diperlihatkan pada Tabel 2.
Tabel 2.Hasil Klasifikasi Metode SVM
Data Set Sesuai Tdk Sesuai
Normal 22 8
Tdk Normal 25 5
Dari hasil klasifikasi pada Tabel 2, dapat dihitung berapa tingkat akurasi dari ke 60 dataset tersebut. Proses perhitungan akurasi dari Tabel 2, diperlihatkan pada Persamaan 5.
(5) Pada perhitungan akurasi dari persamaan 5, didapatkan hasil bahwa tingkat akurasi dari metode ini adalah 78,33 %.
4.
KESIMPULAN
Metode pengenalan pola, diawali dengan transformasi warna, dari RGB ke YCbCr, kemudian dilakukan pengambilan warna kuning dari hasil transformasi warna YCbCr. Warna kuning kemudian diolah dengan menggunakan metode statistik, untuk mendapatkan nilai maksimal dan nilai standart deviasi dari setiap citra. Kumpulan nilai maksimal dan standart deviasi dimasukan dalam vektor ciri, untuk kemudian dilakukan proses pengenalan pola dengan menggunakan metode SVM (Support Vector Machine). Kernel yang digunakan adalah kernel polynomial orde 2. Hasil pengenalan pola Diabetes Retinopati dari 60 20 40 60 80 100 120 140 160 180 200 5 10 15 20 25 30 35 0 1 Support Vectors
62
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Id paper: SM040dataset citra fundus lasik center RS Sultan Agung Semarang, mempunyai tingkat pengenalan sebesar 78,33%, terdapat 38 support vector untuk memproses 60 titik ciri, dengan waktu proses 4,790051 detik.
5.
REFERENSI
[1] Selvati, dkk. 2012. Automated Detection of Diabetic Retinopathy for Early Diagnosis using Feature Extraction and Support Vector Machine. India: Mepco Schelenk Enginering College.
[2] Valindra, Vanya Vabrina dkk. 2008. Automated Fluorescence Sebagai Sistem Bantu Diagnosis Kebocoran Pembuluh Darah Retina. Institut Teknologi Bandung: Bandung.
[3] Hermawati, Fajar Astuti. 2013. Pengolahan Citra Digital. Yogyakarta: Andi Offset.
[4] Kusumadewi, Sri dan Hari Purnomo. 2010. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.
[5] Kusumadewi, Sri dan Sri Hartati. 2010. Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu.
[6] Sutoyo, T dkk. 2009. Teori Pengolahan Citra Digital.Yogyakarta: Andi Offset. [7] Putra, Dharma. 2010. Pengolahan Citra
Digital. Yogyakarta: Andi Offset. [8] Lubis, Rodiah Rahmawati. 2007.
Diabetik Retinopati. Universitas Sumatera Utara: Medan.