IMPLEMENTASI SEGMENTASI HARD EXUDATES PADA DIABETIC RETINOPATHY UNTUK CITRA FUNDUS RETINA

1

IMPLEMENTASI SEGMENTASI HARD EXUDATES PADA

DIABETIC RETINOPATHY UNTUK CITRA FUNDUS RETINA

Noriandini Dewi Salyasari1, Handayani Tjandrasa2, Arya Yudhi Wijaya3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi

Institut Teknologi Sepuluh Nopember

email: salyasari@gmail.com1, handatj@its.ac.id2, arya@if.its.ac.id3

ABSTRAK

Diabetic retinopathy adalah salah satu komplikasi serius yang disebabkan penyakit diabetes melitus yang menyebabkan kurangnya daya penglihatan atau kebutaan. Kelainan diabetic retinopathy diantaranya adalah hard exudates dan cotton wool spots. Untuk dapat mendeteksi hard exudates dari awal, pasien diabetes melitus harus melakukan pemeriksaan manual secara berkelanjutan. Untuk itu diperlukan suatu metode yang dapat mendeteksi hard exudates secara cepat dan otomatis. Algoritma Fuzzy C Means dengan korelasi spasial mampu melakukan segmentasi hard exudates secara otomatis. Pada awalnya optik disk dieliminasi dengan mendeteksi area maksimal dengan nilai piksel tertinggi yang membedakannya dengan hard exudates. Kemudian citra fundus retina dengan optik disk yang sudah dieliminasi dilakukan proses local image feature. Setelah proses tersebut kemudian dilakukan pembobotan terhadap piksel-pikselnya. Pembobotan piksel dilakukan supaya piksel-piksel dalam citra tersebut mendapatkan pengaruh satu dengan lainnya. Hasil matriks citra yang telah mendapatkan pengaruh ketetanggaan, kemudian di segmentasi dengan mengelompokan setiap piksel ke dalam pusat cluster. Sehingga dari keseluruhan tahap pengelompokan piksel ke pusat cluster menggunakan FCM dengan Korelasi Spasial ini nantinya akan menghasilkan ekstraksi hard exudates. Hasil segmentasi hard exudates dapat didiagnosis lebih lanjut untuk pengobatan diabetic retinopathy.

Dari hasil uji coba yang dilakukan, terbukti algoritma Fuzzy C Means dengan korelasi spasial mampu mendeteksi hard exudates dengan baik, dikarenakan proses pengklasifikasian hard exudates dengan algoritma ini berdasar pada parameter-parameter ukuran window, hubungan spatial dan hubungan gray antar piksel pada citra fundus retina . Dengan rata-rata hasil akurasi selalu diatas 75% , maka hasil segmentasi hard exudates menggunakan algoritma ini dikatakan tepat mendekati hasil manual oleh para ahli yang mungkin terjadi banyak kesalahan.

Kata kunci: hard exudates,diabetic retinopathy, fuzzy c means dengan korelasi spasial.

1. Pendahuluan

Salah satu dari kelainan diabetes mellitus mampu menyebabkan kurangnya daya penglihatan atau kebutaan [1]. Kelainan yang dinamakan diabetic retinopathy itu diantaranya adalah hard exudates dan cotton wool spots. Hard exudates dan cotton wool spots yang merupakan kelainan pada retina yang disebabkan oleh pecahnya pembuluh darah dan kerusakan serabut saraf mata. Pada Gambar 1.1 dapat dilihat perbedaan antara mata normal dengan mata yang terkena diabetic retinopathy dimana mata yang tidak normal terdapat bintik-bintik putih yang tampak pada gambar citra fundus retina

sebelah kanan, bintik putih itu merupakan cotton wool spots dan exudates.

Gambar 1.1 Perbedaan retina normal dengan retina

yang terkena diabetic retinopathy

2 Sudah banyak metode yang ditawarkan untuk mendeteksi hard exudates secara otomatis. Setelah hasil segmentasi dilakukan secara otomatis, hasil akhir masih harus diperiksa oleh para ahli, untuk penanganan yang benar-benar sesuai. Segmentasi otomatis dilakukan untuk mempermudah clinicians (dokter) mengurangi waktu persiapan penanganan dan pengobatan diabetic retinopathy.

Beberapa algoritma clustering banyak yang dikembangkan untuk melakukan segmentasi otomatis diantaranya adalah k-means dan fuzzy c k-means. Fuzzy c k-means dianggap merupakan salah satu metode yang baik untuk melakukan segmentasi unsupervised. Hal tersebut dikarenakan fuzzy c means masih memperhatikan piksel pada ruang keabuan. Akan tetapi saat ini metode fuzzy c means dirasa kurang efisien untuk mengatasi variasi pola data. Variasi pola data dalam suatu citra adalah terklusternya piksel-piksel yang tidak memiliki kemiripan dengan cluster piksel yang berada disekitarnya. Untuk itu dikembangkan suatu metode fuzzy c means yang dimodifikasi pada proses pengelompokannya. Modifikasi tersebut berdasarkan korelasi antar piksel yang akan diimplementasikan dalam mengkluster citra fundus retina [2]. Optic disc dan pembuluh darah merupakan bagian dari citra fundus retina. Namun optic disc dan pembuluh darah bukan bagian dari kelainan diabetic retinopathy. Hasil segmentasi modifikasi fuzzy c means menyebabkan optic disc dan pembuluh darah dianggap sebagai bagian mata yang tidak sehat. Untuk mendapatkan hasil segmentasi bagian hard exudates yang baik dan optimal, maka optic disc dan pembuluh darah harus dieliminasi.

2. Tinjauan Pustaka 2.1. Optik Disk

Optik disk (OD) atau pusat syaraf mata adalah daerah pada mata tempat syaraf mata memasuki retina dan merupakan pertemuan seluruh syaraf mata [3]. Optik disk juga merupakan titik masuk untuk pembuluh darah utama yang menyuplay retina. Kepala saraf optik di mata manusia normal membawa 1- 1,2 juta neuron dari mata ke otak.

Deteksi OD merupakan salah satu langkah penting dalam sistem diagnosa diabetic retinopathy secara otomatis. Pada penelitian-penelitian sebelumnya, segmentasi OD selalu menjadi tahapan awal sebelum mendeteksi fitur-fitur penyakit. Deteksi OD diperlukan untuk membedakannya dengan

bright lesion (exudates) yang memiliki kemiripan karakteristik visual dengan OD . OD harus dipisahkan dari fitur-fitur penyakit agar tidak terjadi salah diagnosis yang bisa berakibat fatal. Keberhasilan segmentasi OD sangat diperlukan untuk melakukan berbagai macam analisa terutama untuk pendeteksian penyakit mata ataupun pengobatan. Hal itu akan ditangani lebih lanjut oleh dokter mata. Gambar 2.1 menunjukan optik disk pada gambar citra fundus retina.

Gambar 2. 1 Optik disk tampak pada bright area

2.2. Exudates

Exudates dapat menyebabkan kehilangan penglihatan yang parah ketika terjadi pada bagian retina paling sensitif yaitu di bagian tengah retina atau makula.

Secara visual exudates muncul dalam warna putih kekuning-kuningan atau dengan berbagai bentuk, ukuran dan lokasi . Biasanya tampak secara individual atau membentiuk suatu kluster. Exudates memiliki intensitas warna yang sama dengan optik disk namun dengan ukuran yang lebih kecil.

Hard Exudates ditemukan di dalam berbagai ukuran, merupakan suatu bercak kecil disebabkan merembesnya cairan yang kaya lemak dan protein bersama darah ke mata. Hal ini dapat mencegah cahaya untuk mencapai retina, dan menyebabkan gangguan penglihatan [4].

Soft Exudates terdapat pada tahap ekstrem Diabetic Retinopathy dalam bentuk itik-titik tertentu pada citra fundus retina yang disebut juga dengan “cotton wol spot”. Gambar 2.2 menunjukkan perbedaan hard exudates dan soft exudates.

Gambar 2.2 Perbedaan hard exudates dan soft

exudates

3. Metodologi dan Implementasi

Secara umum implementasi segmentasi hard exudates pada diabetic retinopathy untuk

3 citra fundus retina ini terdiri dari dua tahap yaitu tahap preprocessing dan tahap segmentasi.

Tahap preprocessing merupakan tahap yang dilakukan untuk menyiapkan citra agar dapat tersegmentasi dengan optimal. Dalam tahap ini terdapat beberapa proses antara lain memperbaiki citra dengan histogram equalization dan menghilangkan optik disk pada citra fundus retina. Hasil citra keluaran dari tahap preprocessing kemudian diproses dalam tahap segmentasi.

Tahap segmentasi dilakukan untuk mengelompokkan bagian-bagian dari citra fundus retina tersebut sehingga didapatkan citra keluaran yang diinginkan. Setelah dilakukan pengelompokan setiap kluster ke dalam pusat kluster maka hasil tersebut kemudian diekstraksi untuk mendapatkan hard exudates. Dalam hal ini yang diekstrak adalah piksel yang memiliki nilai maksimum. Dikarenan hard exudates sebenarnya adalah suatu bright area pada citra fundus retina. Keseluruhan tahapan dalam Tugas Akhir ini akan digambarkan pada diagram alir pada Gambar 3.1.

Gambar 3.1 Diagram alir keseluruhan proses

segmentasi hard exudates

3.1. Proses Eliminasi Optik Disk

Untuk melakukan proses segmentasi menggunakan FCM dengan korelasi spasial adalah dengan menghilangkan terlebih dahulu bright area selain exudates pada citra fundus retina. Bright area tersebut adalah optik disk. Untuk menghilangkan optik disk, diperlukan suatu proses mencari area dengan piksel maksimum, kemudian memberi label pada area citra dengan piksel maksimum. Kemudian menggabungkan area yang diberi label. Dan mencari luas area dan centroid dari citra yang sudah diberi label tersebut menggunakan regionprops. Setelah didapat centroid area tersebut, kemudian area piksel maksimal tersebut dibatasi oleh lingkaran menggunakan midpoint circle algorithm dengan persamaan 1.

𝑥𝑥 + 𝑦𝑦2_{= 𝑟𝑟}2

(1) 𝑥𝑥2_{+ 𝑦𝑦}2_{− 𝑟𝑟}2_{= 0}

3.2 Membentuk Matriks

Ketetanggaan

Pembentukan matriks ketetanggan sangat penting dilakukan untuk mencari pengaruh antar piksel matriks citra inputan. Dalam pembentukan matriks ini harus disesuaikan dengan ukuran window(ditentukan 3x3 atau 5x5) yang menjadi masukan. Dari ukuran window tersebut dapat ditentukan center dari window. Setelah didapat center dari window, maka piksel selain center merupakan piksel tetangga. Dan apabila piksel tetangga melebihi ukuran baris dan kolom citra inputan, maka piksel tetangga sama dengan 0. Hasil akhir dari matriks ketetanggaan ini adalah matriks dengan ukuran MxN (M merupakan ukuran window dan N merupakan jumlah piksel citra inputan).

3.3 Menentukan Local Image Feature

Pada umumnya piksel dalam suatu pencitraan gambar yang berdekatan tidak berdiri sendiri dengan piksel-piksel di sekitarnya. Interaksi korelasi antar piksel akan memberikan pengaruh lebih dalam pada klasifikasi objek. Pengaruh yang cukup besar pada interaksi korelasi antar piksel tersebut menyebabkan tidak sempurnanya suatu kluster, sehingga diperlukan suatu modifikasi metode clustering dalam hal ini adalah fuzzy c means yang dimodifikasi berdasarkan korelasi spasial. Salah satu bagian dari fuzzy c means dengan korelasi spasial adalah dengan menentukan terlebih dahulu local image feature. Local image feature bergantung pada local spatial dan local gray level suatu image.

start Input : citra RGB 390 x 390 Preprocessing : citra RGB diubah ke dalam grayscale dan histogram equalization Deteksi dan Eliminasi optik disk

Menetukan pusat kluster dengan FCM-basic Menentukan pusat kluster dan keanggotaan dengan FCM Korelasi Spasial Ekstraksi Hard Exudates Output: Citra Hard Exudates ukuran 390 x 390 finish Preprocessing Segmentasi

4 Rumus di bawah ini mendefinisikan local image feature,

𝐹𝐹𝐹𝐹𝐹𝐹 = 𝐹𝐹𝐹𝐹𝐹𝐹_{0, 𝐹𝐹 = 𝐹𝐹}𝑠𝑠 𝑥𝑥 𝐹𝐹𝐹𝐹𝐹𝐹𝐺𝐺, 𝐹𝐹 ≠ 𝐹𝐹 (2) 𝐹𝐹𝐹𝐹𝐹𝐹𝑠𝑠_{digunakan untuk mencari jarak piksel}

pusat dengan piksel ketetanggaannya sekitar piksel pusat, hal ini dapat dilihat pada persamaan (3).

𝐹𝐹𝐹𝐹𝐹𝐹𝑠𝑠_{= exp �}−𝑚𝑚𝑚𝑚𝑥𝑥 (|𝑥𝑥𝐹𝐹 −𝑥𝑥𝐹𝐹|,|𝑦𝑦𝐹𝐹 −𝑦𝑦𝐹𝐹|)

𝜆𝜆𝑠𝑠 � (3)

𝐹𝐹𝐹𝐹𝐹𝐹𝐺𝐺 _{menunjukkan hubungan dari}

piksel-piksel dalam satu window, yang dapat merefleksikan ketidaksamaan piksel-piksel yang bertetangga dalam satu window tersebut. 𝐹𝐹𝐹𝐹𝐹𝐹𝐺𝐺_{= 𝑒𝑒𝑥𝑥𝑒𝑒 �}−‖𝑔𝑔(𝑥𝑥𝐹𝐹 ,𝑦𝑦𝐹𝐹 )−𝑔𝑔(𝑥𝑥𝐹𝐹,𝑦𝑦𝐹𝐹 )‖2

𝜆𝜆𝐺𝐺𝑥𝑥 𝜎𝜎𝐹𝐹𝐺𝐺2 � (4)

Persamaan 𝜎𝜎𝐹𝐹G diperoleh dari rumus dibawah ini:

𝜎𝜎𝐹𝐹𝐺𝐺 _{= �}∑ 𝐹𝐹 ∈Ω𝐹𝐹‖𝑔𝑔(𝑥𝑥𝐹𝐹 −𝑦𝑦𝐹𝐹 )−𝑔𝑔(𝑥𝑥𝐹𝐹−𝑦𝑦𝐹𝐹)‖

𝑁𝑁_{Ω 𝐹𝐹} (5)

Untuk penentuan nilai spatial scale(𝜆𝜆𝑠𝑠) dan gray level(𝜆𝜆_𝐺𝐺) dapat dilihat pada gambar dibawah ini.

Gambar 3.2 Faktor skala dalam berbagai ukuran.

3.4 Melakukan Pembobotan Piksel

Pembobotan piksel merupakan suatu proses pergantian nilai piksel dari gambar asli yang telah mendapat pengaruh local image feature sehingga nilai piksel citra asli telah memiliki ketergantungan dari piksel-piksel di sekitarnya sesuai dengan window yang telah ditentukan.

Persamaan untuk melakukan proses pembobotan piksel dengan mengubah nilai piksel dengan faktor pengaruh korelasi antar piksel ditunjukkan pada persamaan 6,

𝑤𝑤𝐹𝐹 = ∑𝐹𝐹 ∈Ω𝐹𝐹(𝐹𝐹𝐹𝐹𝐹𝐹. 𝑔𝑔(𝑥𝑥𝐹𝐹, 𝑦𝑦𝐹𝐹))/ ∑𝐹𝐹 ∈Ω𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 (6)

3.5 Inisialisasi Pusat Cluster dengan

FCM-Basic

Untuk mengelompokkan matriks hasil pembobotan ke dalam pusat kluster diperlukan terlebih dahulu inisialisasi pusat kluster yang menjadi inputan awal untuk mengelompokkan data tersebut. Dalam hal ini digunakan FCM-basic untuk menentukan pusat kluster sebagai inisialisasi awal. Dengan masukan adalah data citra inputan yang telah mengalami preprocessing. Dari data citra inputan tersebut didapatkan suatu keanggotaan secara random. Hasil dari keanggotaan tersebut diperlukan untuk mencari pusat kluster dan keanggotaan baru. Sampai pada batas maksimum iterasi, akan diperoleh pusat kluster yang sudah tidak berubah lagi. Pusat kluster tersebut yang akan digunakan untuk menentukan pengelompokan matriks hasil pembobotan piksel yang telah mendapatkan pengaruh antar piksel ketetangaannya.

Berikut merupakan jalannya FCM-basic untuk menentukan pusat cluster.

1. Inisialisasi pusat kluster(v) dan set posisi cluster(j) = 0

2. Inisialisasi matriks partisi fuzzy U(j=0) dengan persamaan 𝑢𝑢𝑘𝑘(𝐹𝐹, 𝐹𝐹) = 1/ ∑ �𝑑𝑑𝑘𝑘(𝐹𝐹, 𝐹𝐹)/𝑑𝑑𝑒𝑒(𝐹𝐹, 𝐹𝐹)� 2 𝑚𝑚 −1 𝑐𝑐−1 𝑒𝑒=0 (7)

3. Tambahkan j=j+1 lalu hitung pusat kluster dengan persamaan

𝑣𝑣𝑘𝑘= ∑ �𝜇𝜇𝐹𝐹,𝐹𝐹 𝑘𝑘(𝐹𝐹, 𝐹𝐹)�𝑚𝑚 𝑓𝑓(𝐹𝐹, 𝐹𝐹) / ∑ �𝜇𝜇𝐹𝐹,𝐹𝐹 𝑘𝑘(𝐹𝐹, 𝐹𝐹)�𝑚𝑚 (8) 4. Hitung kembali membership u(j) 5. Lakukan iterasi untuk step 3,4 hingga

mencapai konvergensi setelah memenuhi kriteria persamaan

𝑚𝑚𝑚𝑚𝑥𝑥��𝑣𝑣𝑘𝑘(𝑘𝑘+1)− 𝑣𝑣𝑘𝑘(𝑘𝑘)�� < 𝜀𝜀 (9)

3.6 Menentukan Membership dan

Pusat Cluster dengan Korelasi Spasial

Piksel yang telah mendapatkan pengaruh korelasi piksel ketetangaan dapat membantu dalam proses klusterisasi piksel. Pikse lyang memiliki keterkaitan dengan piksel tetangganya akan menjadikan kemungkinan suatu piksel dengan piksel tetangganya dalam proses pengelompokan dikelompokan dalam satu kluster yang sama. Berdasarkan piksel yang telah memiliki ketergantungan spasial maka perhitungan keanggotaan piksel ditunjukan pada persamaan berikut:

𝜇𝜇𝑘𝑘(𝑥𝑥𝐹𝐹, 𝑦𝑦𝐹𝐹) =_∑𝑐𝑐−1(𝑤𝑤𝐹𝐹−𝑣𝑣𝑘𝑘)_{(𝑤𝑤𝐹𝐹−𝑣𝑣𝐹𝐹)}− 2/𝑚𝑚 −1−2 𝑚𝑚⁄ −1

5

𝑣𝑣𝑘𝑘 =

∑𝑞𝑞−1𝐹𝐹=0𝜇𝜇𝑘𝑘 (𝑥𝑥𝐹𝐹,𝑦𝑦𝐹𝐹)𝑚𝑚𝑤𝑤𝐹𝐹

∑𝑞𝑞−1𝜇𝜇𝑘𝑘 (𝑥𝑥𝐹𝐹,𝑦𝑦𝐹𝐹)𝑚𝑚 𝐹𝐹=0

(11) proses melakukan pembentukan membership dan pusat kluster diulang sampai memenuhi stopping criterion sesuai persamaan 12 berikut, |𝑉𝑉𝑛𝑛𝑒𝑒𝑤𝑤 − 𝑉𝑉𝑜𝑜𝑜𝑜𝑑𝑑| < 𝜀𝜀 (12)

4. Uji Coba 4.1 Data Masukan

Data masukan adalah data awal yang akan diproses. Data tersebut berupa citra inputan yang akan dilakukan preprocessing dan segmentasi. Data masukan dalam tahap preprocessing adalah citra fundus mata berwarna dengan ukuran M x N dan berupa citra RGB. Selain itu diperlukan parameter-parameter yang harus diinputkan oleh user untuk mendukung proses segmentasi citra hard exudates dengan FCM korelasi spasial. Parameter-parameter sebagai data masukan tersebut adalah jumlah cluster, ukuran window, maksimal iterasi, minimal error, faktor spatial dan faktor gray.

Data yang digunakan pada uji coba ini adalah citra DIARETDB1 [5]. Tidak semua data pada DIARETDB dapat digunakan sebagai data masukan pada aplikasi segmentasi hard exudates ini. Hal ini dikarenakan tidak semua citra pada DIARETDB1 memiliki illuminasi atau pencayaan yang bagus dan merata.

Gambar 4.1 Gambar yang dipakai sebagai

data masukan

4.2 Hasil yang didapatkan

Tujuan dari uji coba ini adalah untuk membuktikan FCM korelasi spasial mampu mensegmentasi hard exudates pada citra DIARETDB1. Skenario yang dilakukan adalah dengan jalan memasukkan inputan parameter yang berbeda mulai dari ukuran window, nilai faktor spasial dan faktor gray, nilai konvergensi error, dan jumlah cluster. Berikut dibawah ini adalah ujicoba yang dilakukan pada citra-citra fundus retina :

1. Citra DIARETDB1 image005.png

Pada skenario uji coba yang pertama ini akan dibandingkan nilai akurasi segmentasi citra yang dihasilkan dari dengan perubahan ukuran window yang berbeda-beda. Perubahanukuran

window ini sebatas pada nilai ukuran 3 x 3 dan 5x5.

Gambar 4.2 Citra image005.png

Gambar 4.3 Hasil segmentasi dengan ukuran 3x3

Gambar 4.4 Hasil segmentasi dengan ukuran 5x5

Tabel 4.1 Hasil akurasi segmentasi citra pada uji coba I

2. Citra DIARETDB1 image016.png

Pada skenario kedua, nilai spatial scale dan gray level akan diubah-ubah sesuai dengan pengambilan nilai secara manual. Pengambilan nilai-nilai uji coba ini menggunakan nilai 1,3 dan 10 untuk spatial scale dan gray level.

Gambar 4.5 Citra image016.png

No Uku ran Win dow Akurasi( %) Run ning time (detik) 1 3 54.1 130.775 2 5 53.6 189.282

6

Gambar 4.6 Spatial sca1e dan gray level bernilai

1

Gambar 4.7 Spatial sca1e dan gray level bernilai

3

Gambar 4.8 Spatial sca1e dan gray level bernilai

10

Tabel 4.2 Hasil akurasi segmentasi citra pada uji coba II No Spatial scale , gray level Akurasi(%) Running time 1 1 83.5 134.928 2 3 67.4 136.818 3 10 61.8 135.78 3. Citra im2.jpg

Pada skenario ketiga, nilai konvergensi akan diatur pada nilai 0.01, 0.001 dan 0.0001. Nilai pengontrol konvergensi error, menentukan kapan proses kluster dalam segmentasi hard exudates akan mencapai pusat kluster dan keanggotaan yang optimal.

Gambar 4.9 Citra im2.jpg

Gambar 4.10 Nilai konvergensi error sebesar 0.01

Gambar 4.11 Nilai konvergensi error sebesar 0.001

Gambar 4.12 Nilai konvergensi error sebesar 0.001

Tabel 4.3 Hasil akurasi segmentasi citra pada uji coba III No Nilai konver gensi Akurasi(%) Running time 1 0.01 77.68 80.338 2 0.001 77.77 79.34 3 0.0001 88.5 77.395 4. Citra im5.jpg

Pada skenario keempat, nilai jumlah cluster akan diubah-ubah sesuai dengan pengambilan nilai secara manual. Uji coba ini menggunakan nilai 10 dan 12 untuk jumlah cluster pada citra yang akan di segmentasi

Gambar 4.13 Citra im5.jpg

7

Gambar 4.15 Nilai jumlah cluster sebesar 12

Tabel 4.4 Hasil Akurasi Segmentasi Citra pada Uji Coba IV

5. Kesimpulan

Kesimpulan yang diperoleh berdasarkan uji coba dan evaluasi yang telah dilakukan adalah sebagai berikut :

1. Dengan melihat hasil uji coba yang dilakukan terbukti bahwa algoritma FCM dengan Korelasi Spasial dapat mensegmentasi dengan baik hard exudates pada citra fundus retina. Hal ini dapat dilihat dari rata-rata hasil akurasi 10 citra dengan parameter terbaik mencapai 76,95%.

2. Perubahan ukuran window dalam segmentasi mempengaruhi hasil akurasi. Hal ini dikarenakan ukuran window mempengaruhi local image feature. Besarnya ukuran window berbanding terbalik dengan nilai local image feature. Semakin kecil ukuran window, maka semakin besar local image feature-nya yang berarti semakin tinggi korelasi antar pikselnya, begitu juga sebaliknya.

3. Nilai spatial scale dan gray level berpengaruh terhadap proses penentuan local image feature pada algoritma ini. Apabila nilai spatial scale dan gray level terlalu kecil, maka akan semakin tinggi korelasi antar pikselnya. Hal tersebut dikarenakan nilai local image feature yang besar. Nilai local image feature yang besar berarti jarak suatu piksel dengan piksel pusat semakin dekat. Sebaliknya, apabila nilai spatial scale dan gray level terlalu besar maka akan semakin kecil korelasi antar pikselnya dikarenakan nilai local image feature pada proses tersebut kecil.

4. Nilai konvergensi error berpengaruh pada cluster yang dihasilkan. Semakin kecil nilai konvergensi maka akan

menyebabkan iterasi perubahan pusat cluster dan membership akan berhenti ketika sudah optimal. Hal tersebut menyebabkan hasil hard exudates yang disegmentasi semakin bagus.

5. Untuk mendapatkan hasil segmentasi yang optimal dibutuhkan jumlah cluster yang berbeda-beda pada masing-masing citra. Jumlah cluster yang optimal bergantung pada iluminasi dan warna dari citra tersebut. Illuminasi dan komposisi warna dalam suatu citra berpengaruh dalam penentuan partisi-partisi yang akan disegmentasi dalam suatu citra. Semakin tinggi jumlah cluster maka akan semakin homogen piksel yang dikelompokkan.

6. Daftar Pustaka

[1] Cemal Kose, Ugur Sevik, Cevat Ikibas, hidayet Erdol. Simple methods for segmenting and measurement of diabetic retinopathy lession in retinal fundus images. Computer Methods and Program in Biomedicine. 2011.

[2] Xiang-Yang Wang, Juan Bu. A Fast and robust image segmentation using FCM with spatial information. Digital Signal

Processing. 2009.

[3] Blindspot. Optic Disc. [Online] [Dikutip:

27 December 2011.] http://www.yorku.ca/eye/blndspot.htm.

[4] S. Saheb Basa, Dr K Satya Prasad. Automatic Detection of Hard Exudates in Diabetic Retinopathy Using Morphological Segmentation and Fuzzy Logic. 2008, Vol. 8.

[5] Hmed S. Abljtaleb, 1988. Automatic Thresholding of Gray-Level Picture Using Two-Dimensional Entropy, Temple University, Philadelphia.

[6] DIARETDB1 Standard Diabetic Retinopathy Database Calibration Level 1. 2010. DIARETDB1 Dataset. [Online] [Dikutip: 4 October 2011.] http://www2.it.lut.fi/project/imageret/diar etdb1/diaretdb1_v_1_1.zip.

No Jumlah Cluster

Akurasi(%) Running time

1 10 91.9 100.055

2 12 83.6 135.249

3 10 70.43 123.743