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
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
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
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
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.
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
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
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
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
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
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
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
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,
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
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
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
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
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 kongenital primer atau infantil
menyertai kelainan kongenital lainnya Glaukoma sekunder
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
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
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
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).
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
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.
� = rata-rata elemen baris pada matriks p(i,j)
� = rata-rata elemen kolom pada matriks p(i,j)
� = nilai standar deviasi elemen baris pada matriks p(i,j)
� = nilai standar deviasi elemen baris pada matriks p(i,j)
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 2.6K-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
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:
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.
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
Iterasi 2 Kelompok 2 Kelompok 1 + 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 3.1Citra 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
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
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
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
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
Gambar 3.6Tahapan 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
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 3.7Diagram 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 θuntuk 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
a. Kontras
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
b. Korelasi
Gambar 3.9. Alur menghitung korelasi
Gambar 3.9 merupakan flowchart untuk menghitung korelasi. Dalam
flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris
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
c. Energi
Gambar 3.10. Alur menghitung energi
Gambar 3.10 merupakan flowchart untuk menghitung energi. Dalam
flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris
dikali kolom. Selama looping itulah sistem akan menghitung nilai energi. Hasil dari
perhitungan ini lah yang akan direturn sebagai ciri kontras energi. Rumus dari
d. Homogenitas
Gambar3.11. Alur menghitung homogenitas
Gambar 3.11 merupakan flowchart untuk menghitung homogenitas. Dalam
flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris
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
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
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 BlokAlur 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
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
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
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;
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
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.
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 4.2Matriks 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
b. Korelasi
Untuk standar deviasi
Gambar 4.3kontras, 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
20 20 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
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 iterasi 2 kelompok 2 kelompok 1 + kelompok 3 iterasi 3 kelompok 3 kelompok 1 + kelompok 2
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
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
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
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
no citra identifikasi
k=3 k=5 k=7 k=9
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
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
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
Widiarti, A. R., dan Himamunato, A. R. 2013. Teori dan Aplikasi Pengolahan Citra
LAMPIRAN
Lampiran 1. Data Citra Fundus Retina dan Cirinya No Citra asli Hasil segmentasi
manual Keterangan Ciri
No Citra asli Hasil segmentasi
manual Keterangan Ciri
No Citra asli Hasil segmentasi
manual Keterangan Ciri
No Citra asli Hasil
preprocessing Keterangan Ciri
Lampiran 3 Kelas untung menghitung fitur
kontras.m
korelasi.m
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| 1
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
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
matriks GLCM sebelum dijumlahkan.
Ketika i = 1, dan j = 1 maka:
� = 1 + 2 + 2 = 5
� = 1 + 6 + 2 = 9
� = √ − 2+ − 2+ − 2 = 0.577
� = √ − 2+ − 2+ − 2 = 2.645
Korelasi(1,1) = − −9
. ∗ .
Korelasi(1,1) = 0.872
(i,j) 1 2 3
1 0.872 0 -5.333
2 1.714 0 2
Setelah mendapatkan matriks perhitungan, jumlahkan semua hasil
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.
Ketika i = 1, dan j = 1 maka:
Homogenitas(1,1) = 1
= 1
(i,j) 1 2 3
1 1 4 4
2 36 1 4
3 4 9 1
Setelah mendapatkan matriks perhitungan, jumlahkan semua hasil
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
matriks GLCM sebelum dijumlahkan.
Energi(1,1) = +| − |
= 1
(i,j) 1 2 3
1 1 1 0.667
2 3 1 1
3 0.667 1.5 1
Setelah mendapatkan matriks perhitungan, jumlahkan semua hasil
perhitungan tersebut untuk mendapatkan energi.
energi = 1 + 1 + 0.667 + 3 + 1 + 1 + 0.667 + 1.5 + 1
Lampiran 5 Akurasi dengan menggunakan matriks GLCM serta fitur dari matlab
no citra identifikasi
3 5 7 9
akurasi 66.66667 55.55556 44.44444 55.55556
Lampiran 6 Pengujian dengan menggunakan matriks GLCM serta fitur dari matlab
no citra identifikasi
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,
