Deteksi Awal Retinopati Hipertensi Menggunakan Jaringan Syaraf Tiruan pada Citra Fundus Mata
(1) Tanjungpura University
(2)
(3)
Abstract
Identifikasi fundus mata abnormal (retinopati hipertensi) dari citra fundus mata manusia telah dilakukan menggunakan Jaringan Syaraf Tiruan (JST). Data yang digunakan berupa citra fundus mata normal dan fundus mata abnormal. Pengolahan awal citra dilakukan dengan menyeragamkan ukuran citra fundus menjadi 256 x 256 piksel. Citra fundus yang semula Red Green Blue (RGB) diubah menjadi citra grayscale. Citra diolah menggunakan perataan kontras, filter, penghapusan background, segmentasi dan masking untuk mendapat citra pembuluh darah.Citra diekstraksi dengan menghitung ciri statistik menggunakan grey level co-occurence matrix (GLCM) 4 arah yaitu 0o, 45o,90o, dan 135o pada jarak spasial 1. Ciri statistik yang dihitung yaitu energi, kontras, korelasi, dan homogenitas sebagai input pada JST. Data dari ekstraksi ciri diidentifikasi menggunakan jaringan syaraf tiruan propagasi balik dengan arsitektur jaringan [17 7 1] dan fungsi pelatihan traingdm. Hasil dari pelatihan jaringan menunjukkan Mean Square Error (MSE) sebesar 0,00025 sementara pengujian jaringan menunjukkan nilai MSE sebesar 0,0464 dan akurasi 80%. Metode JST dapat digunakan untuk deteksi awal retinopati hipertensi.
Keywords
Full Text:
PDFReferences
Anggriyani, N., (2015). Klasifikasi Kanker Serviks Menggunakan Jaringan Syaraf Tiruan Backpropagation dengan Graphical User Interface (GUI). Yogyakarta: FMIPA Universitas Negeri Yogyakarta.
Apriyanto, Y., (2018). Prediksi Kadar Particulate Matter (PM10) untuk Pemantauan Kualitas Udara Menggunakan Jaringan Syaraf Tiruan Studi Kasus Kota Pontianak. Positron, Vol. 8 (1), 15-20
Eskaprianda, A., (2011). Deteksi Kondisi Organ Pankreas Melalui Iris Mata Menggunakan Jaringan Syaraf Tiruan Metode Perambatan Balik dengan Pencirian Matriks Ko-okurensi Aras Keabuan. Transmisi, Vol. 13 (1), 33-38.
Falasev, R. S., (2011). Pengenalan Sidik Jari Manusia dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Co-occurence Matrix) [thesis]. Semarang: Undip Intitutional Repository.
Ganis, K., (2011). Klasifikasi Citra dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Co-occurrence Matrix-GLCM) pada Lima Kelas Biji-bijian [thesis]. Semarang: Undip Intitutional Repository.
Goldbaum, M., (2013). Stare Project. [Online]
Available at: http://www.ces.clemson.edu/~ahoover/stare [Diakses 27 Juli 2017].
Hartadi, R., (2011). Deteksi Potensi Kanker Payudara pada Mammogram Menggunakan Metode Gray Level Co-occurence Matrix [thesis]. Semarang: Undip Intitutional Repository.
Herkulana, (2013). Estimasi Curah Hujan Bulanan Kota Pontianak Dengan Suhu Permukaan Laut Sebagai Estimator Berdasarkan Jaringan Syaraf Tiruan Backpropagation. Positron, Vol. 3(1), 16-19.
Kipti, M. Y., (2015). Deteksi Awal Penyakit Retinopati Hipertensi dengan Pendekatan Analisis Fraktal Citra Fundus Mata [skripsi]. Surakarta: Digital Library UNS.
Kusuma, A. A., (2011). Pengenalan Iris Mata Menggunakan Pencirian Matriks Ko-okurensi Aras Keabuan [thesis]. Semarang: Undip Institutional Repository.
Mardianto, I., (2008). Sistem Deteksi Penyakit Pengeroposan Tulang dengan Metode Jaringan Syaraf Tiruan Backpropagation Representasi Ciri dalam Ruang Eigen. CommIT Journal, Vol. 2(1), 69-80.
Marita, V., (2014). Identifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak. Prisma Fisika, Vol. 5(3), 117-121.
Purnamasari, R. W., (2013). Implementasi Jaringan Syaraf Tiruan Backpropagation Sebagai Sistem Deteksi Penyakit Tuberculosis (TBC). Unnes Journal of Mathematics, Vol. 2(2), 90-96.
Siang, J. J., (2004). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta: ANDI.
Refbacks
- There are currently no refbacks.
 This work is licensed under a Creative Commons Attribution 3.0 License. View My Stats