PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI

KLASIFIKASI POLA MIKROVASKULER RETINA UNTUK DETEKSI DINI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR MACHINE SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Disusun Oleh : Renny Nita Hernawati 10 5314 104 PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2015

i


PATTERN CLASSIFICATION OF RETINAL MICROVASKULER TO EARLY DETECTION OF RETINOPHATY DIABETIC USING SUPPORT VECTOR MACHINE A Thesis Presented as Partial Fulfillment of the Requirements to Obtain Sarjana Komputer Degree in Informatics Enggineering Study Program

By : Renny Nita Hernawati 10 5314 104

INFORMATICS ENGGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2015

ii


HALAMAN PERSETUJUAN

iii


HALAMAN PENGESAHAN

iv


PERNYATAAN KEASLIAN KARYA Saya menyatakan dengan sesungguhnya, bahwa skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan daftar pustaka, sebagaimana layaknya sebuah karya ilmiah.

Yogyakarta, 31 Agustus 2015 Penulis,

Renny Nita Hernawati

v


HALAMAN MOTTO

“ If A equals success, then the formula is : A=X+Y+Z. X is work, Y is play. Z is keep your mouth shut.” –Einstein

I can do all things through Christ who strengthens me. - Philippians 4:13

vi


LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : Renny Nita Hernawati NIM : 105314104 Demi pengembangan ilmu pengetahuan , saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul : KLASIFIKASI POLA MIKROVASKULER RETINA UNTUK DETEKSI DINI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR MACHINE beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis. Demikian pernyataan ini yang saya buat dengan sebenarnya. Dibuat di Yogyakarta Pada tanggal : 31 Agustus 2015 Yang menyatakan

Renny Nita Hernawati

vii


ABSTRAK

Kemajuan zaman dan meningkatnya kehidupan modern berbanding lurus dengan mobilitas kehidupan masyarakat. Padatnya aktifitas memicu terjadinya kehidupan sedenter (kurang olahraga) dan pola makan yang kurang terkontrol yang berakibat Diabetes Melitus. Mengidap diabetes dalam jangka panjang mengakibatkan komplikasi vaskular. Mikroangiopati merupakan lesi spesifik diabetes yang menyerang kapiler dan arteriola retina (retinopati diabetik), (Price & Wilson, 2006). Perkembangan kapiler dan arteriola tersebut dapat digunakan untuk mendeteksi dini retinopati diabetik. Oleh karena itu dilakukan penelitian untuk klasifikasi guna mendeteksi retinopati diabetik lebih dini. Data yang digunakan berasal dari situs MESSIDOR (Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology). Jumlah data yang digunakan sebanyak 100 data citra berwarna. Sebelum dilakukan tahap klasifikasi dilakukan beberapa tahapan berupa preprocessing terdiri dari pemisahan kanal, penajaman kontras, binerisasi, dan cropping. Proses dilanjutkan dengan ekstraksi fitur dengan parameter sigma, thetha, dan F. Langkah berikutnya adalah mereduksi dimensi dengan PCA. Percobaan proses klasifikasi dengan Support Vector Machine dilakukan dengan melakukan perubahan pada fungsi kernel. Hasil klasifikasi menunjukkan nilai akurasi terbaik menggunakan kernel Polynomial orde 3 senilai 99%, sedangkan nilai akurasi terendah pada kernel Sequential Minimal Optimization Method sebesar 45%.

viii


ABSTRACT

The progress of times and the increase of modern life had immediate effects to the mobility of people's lives. The density of activity trigger a sedentary life (lack of exercise) and poorly controlled eating habit cause long-term risk such as diabetes mellitus. Long run diabetes lead to vascular complications. Microangiopathy is a specific lesion of diabetic that attack capillaries and arterioles of the retina (diabetic retinopathy), (Price & Wilson, 2006). This paper focuses on the classification to detect diabetic retinopathy. The data to be used came from MESSIDOR site (Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology). The number of data is 100 colored image data. Before classification stage was done, some preprocessing stages consist of the separation of channels, sharpening contrast, binaryzation, and cropping are performed. The process was followed by feature extraction with parameter sigma, thetha, and F. The next step reducing the dimensions with PCA. Classification was used is Support Vector Machine by making changes to the kernel function to get the best accuracy value. The results of classification show the best accuration using 3-Order Polynomial Kernel is 99%, while the lowest accuration in the Sequential Minimal Optimization Method kernel is 45%.

ix


KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yesus Kristus yang telah memberikan rahmat dan karunia yang berlimpah sehingga penulis dapat menyelesaikan tugas akhir dengan baik. Penulis menyadari bahwa pada saat penyusunan tugas akhir ini penulis mendapatkan banyak bantuan dari berbagai pihak, baik berupa dukungan, perhatian, kritik dan saran yang sangat penulis butuhkan. Pada kesempatan ini penulis akan menyampaikan ucapan terima kasih kepada: 1. Tuhan Yesus Kristus yang senantiasa mencurahkan kasih karunianya serta memberikan bimbingan dan berkat dalam setiap hal. 2. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Cs selaku dosen pembimbing tugas akhir yang telah dengan sabar dan penuh perhatian membimbing saya dalam penyusunan tugas akhir. Terima kasih atas motivasi yang selalu diberikan untuk mendorong saya. 3. Ibu Dr. Anastasia Rita Widiarti M.Kom dan bapak Robertus Adi Nugroho S.T., M.Eng. selaku dosen penguji tugas akhir yang telah memberikan kritik dan saran yang berguna dalam tugas akhir ini. 4. Kedua orang tua tercinta Bapak Paryono dan Ibu Ukin suhari yang selalu mendoakan, memotivasi, dan memberikan dukungan moral maupun dukungan financial kepada penulis, sehingga penulis dapat menyelesaikan tugas akhir ini. 5. Kakakku Henny Dian Puntorini yang selalu mendukung, mendoakan, memotivasi, dan selalu mengingatkanku untuk tidak pernah berputus asa dalam penyusunan tugas akhir ini. 6. Sahabat-sahabatku Amel, Novi, Andhini, Ria, Maria, Sepen, Stella, Vyta, Dita, Tommy, Tedy, Theo, Ardy, Doni, Yoga, Ougi, Edo, Karl, Fafe yang berjuang bersama dalam penyusunan tugas akhir dan atas canda tawa yang selalu ada mewarnai hari-hari penyusunan tugas akhir ini. 7. Romo Poldo, Audris Evan Utomo, dan festi tempat berbagi dan belajar bersama

x


8. Aryo Seno pacar, partner, sekaligus sahabat terbaik yang senantiasa memberikan dukungan serta tempat berkeluh kesah. 9. Teman-teman TI angkatan 2010 Sanata Dharma terimakasih atas semangat dan perjuangan bersama yang selalu kalian berikan kepada satu sama lain. 10. Terima kasih kepada semua pihak yang tidak dapat penulis sebutkan satu per satu yang telah mendukung penyelesaian tugas akhir ini secara langsung atau tidak langsung. Penulis menyadari adanya kekurangan dalam penulisan laporan tugas akhir ini. Saran dan kritik sangat penulis harapkan untuk perbaikan yang akan datang. Akhir kata, penulis berharap tulisan ini berguna bagi perkembangan ilmu pengetahuan dan pengguna.

Yogyakarta, 31 Agustus 2015

Penulis

xi


DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i HALAMAN PERSETUJUAN ............................................................................... iii HALAMAN PENGESAHAN ................................................................................ iv PERNYATAAN KEASLIAN KARYA ................................................................. v HALAMAN MOTTO ............................................................................................ vi LEMBAR PERNYATAAN PERSETUJUAN ..................................................... vii ABSTRAK ........................................................................................................... xiii KATA PENGANTAR ............................................................................................ x DAFTAR ISI ......................................................................................................... xii DAFTAR GAMBAR ........................................................................................... xiv DAFTAR TABEL ..................................................................................................xv BAB I ...................................................................................................................... 1 PENDAHULUAN .................................................................................................. 1 10.1

Latar Belakang Masalah...................................................................................... 1

10.2

Rumusan Masalah ............................................................................................... 3

10.3

Tujuan Penelitian ................................................................................................ 4

10.4

Batasan Masalah ................................................................................................. 4

10.5

Luaran penelitian................................................................................................. 4

10.6

Metodologi penelitian ......................................................................................... 5

10.7

Sistematika Penelitian ......................................................................................... 6

BAB II ..................................................................................................................... 7 LANDASAN TEORI .............................................................................................. 7 2.1. Retinopati Diabetik .................................................................................................. 7 2.2. Pengolahan Citra Digital ........................................................................................ 13 2.3 Pengenalan Pola ...................................................................................................... 14 2.3.1. Ekstraksi fitur .................................................................................................. 15

BAB III.................................................................................................................. 22 METODOLOGI PENELITIAN ............................................................................ 22 3.1.Data ......................................................................................................................... 22 3.2.Metodologi Penelitan .............................................................................................. 23 3.3. Metode Preprocessing ........................................................................................... 25 3.3. Metode Ekstraksi Fitur dengan Menggunakan Filter Gabor 2D ............................ 25 3.4.Metode Klasifikasi Menggunakan Support Vector Machine .................................. 26

xii


3.5.Evaluasi hasil .......................................................................................................... 29

BAB IV ................................................................................................................. 30 IMPLEMENTASI DAN ANALISA SISTEM ...................................................... 30 4.1.

User Interface .................................................................................................... 30

4.2.

Analisis Hasil .................................................................................................... 33

4.2.1

Preprocessing ................................................................................................ 33

4.2.2

Filter Gabor 2D ............................................................................................. 36

4.2.3

Support Vector Machine ............................................................................... 38

BAB V ................................................................................................................... 52 KESIMPULAN DAN SARAN ............................................................................. 52 5.1

Kesimpulan ....................................................................................................... 52

5.2

Saran ................................................................................................................. 53

DAFTAR PUSTAKA ........................................................................................... 54 LAMPIRAN I : DATA TRAINING ..................................................................... 56 LAMPIRAN II : CODE PROGRAM ................................................................... 63

xiii


DAFTAR GAMBAR

Gambar 2.1 Mekanisme Pengenalan Pola………………………………….

15

Gambar 3. 1 Citra digital retina grade0, grade 1, grade 2, grade 3………….

23

Gambar 3. 2 Diagram Blok Keseluruhan Sistem……………………………

24

Gambar 3. 3 Diagram Blok Preproses………………………………………

25

Gambar 3. 4 Citra Kanal merah, hijau, biru………………………………… 26 Gambar 3. 5 Citra biner dan Negasi………………………………………… 28 Gambar 4. 1 User interface Halaman utama………………………………...

34

Gambar 4. 2 Halaman Preprocessing………………………………………..

34

Gambar 4. 3 Halaman Hasil Preprocessing…………………………………

35

Gambar 4. 4 Halaman Hasil Klasifikasi…………………………………….

36

Gambar 4. 5 Tampilan Uji Tunggal…………………………………………

36

Gambar 4. 6 Grafik Akurasi menggunakan PCA dan tanpa PCA…………..

44

Tabel 4. 7 Confussion Matrix kernel Polynomial menggunakan PCA……... 44 Tabel 4. 8 Confussion Matrix Kernel Sequential Minimal Optimization dengan PCA…………………………………………………………………

xiv

45


DAFTAR TABEL Tabel 2. 1 Statistik Penderita Diabetes Versi WHO………………………….

8

Tabel 2. 2 Bentuk Kelainan Retina…………………………………………...

12

Tabel 4. 1Hasil Ekstraksi sebelum PCA……………………………………...

39

Tabel 4. 2 Hasil PCA…………………………………………………………. 40 Tabel 4. 3 Hasil Pengujian tanpa PCA………………………………………..

41

Tabel 4. 4 Confusion Matrix dengan Kernel Polynomial Order 3……………

42

Tabel 4. 5 Confusion Matrix dengan Kernel Seguential Minimal Optimization Method…………………………………………………………

42

Tabel 4. 6 Perbandingan akurasi menggunakan PCA dan tanpa PCA……….. 43

xv


BAB I PENDAHULUAN

1.1Latar Belakang Masalah Kemajuan zaman dan meningkatnya kehidupan modern berbanding lurus dengan mobilitas kehidupan masyarakat. Dampaknya masyarakat cenderung menyukai hal yang berbau praktis dan cepat. Padatnya aktifitas juga semakin memicu terjadinya kehidupan sedenter (kurang olahraga) dan pola makan yang kurang terkontrol. Pada umumnya masyarakat Indonesia menyukai panganan pokok berupa nasi. Berbeda dengan cara konsumsi di negara lain yang melakukan variasi makanan pokok. Padahal makanan pokok berupa nasi dikenal sebagai makanan yang tinggi karbohidrat. Akibatnya masyarakat Indonesia lebih rentan terserang penyakit berbahaya Diabetes Melitus. Diabetes melitus adalah gangguan metabolisme yang secara genetis dan klinis termasuk heterogen dengan manifestasi berupa hilangnya toleransi karbohidrat (Price, 2006). Diabetes sendiri merupakan salah satu ancaman bagi kesehatan umat manusia di abad 21. Menurut World Health Organization (WHO) Indonesia berada di urutan keempat Negara dengan jumlah penyandang Diabetes Melitus terbanyak. Jumlah penderitanya diprediksi akan semakin meningkat hingga mencapai angka 21,3 juta pada tahun 2030 (Sitompul,2008).

1

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 2

Mengidap Diabetes dalam jangka waktu lama beresiko terhadap berbagai kelainan lain baik pada penderita diabetes tipe 1 maupun 2, yaitu hipoglikemia, ketoasidasis, dan komplikasi. Hipoglikemia merupakan dampak Diabetes dimana penderitanya mengalami kadar gula dalam darah sangat rendah atau di bawah normal. Ketoasidasis terjadi ketika glukosa dalam darah tidak dapat diolah dengan baik oleh tubuh, sehingga tubuh menggunakan lemak dan protein dalam proses pembakaran energi. Dampak lain yang cukup berbahaya merupakan komplikasi, gejalanya akan nampak berupa serangan jantung, stroke, kebutaan, penyakit ginjal dan luka yang sulit disembuhkan hingga diperlukan adanya amputasi. Komplikasi vaskular jangka panjang dari diabetes melibatkan pembuluh-pembuluh kecil berupa mikroangiopati dan pembuluh sedang besar makroangiopati. Mikroangiopati merupakan lesi spesifik diabetes yang menyerang kapiler dan arteriola retina (retinopati diabetik), glomerulus ginjal (neuropati diabetik), dan saraf-saraf perifer (neuropati diabetik) serta otot-otot dan kulit. (Price, 2006) Kebutaan yang terjadi pada penderita diabetes disebabkan oleh retinopati diabetik. Penyebabnya bukan hanya lamanya seseorang menderita diabetes, faktor lain yang memicu berupa pubertas,kehamilan, dan hiperglikemia. Jika pada hipoglikemia penderitanya mengalami kadar gula rendah hal sebaliknya terjadi pada penderita hiperglikemia. Hiperglikemia menyebabkan bertambahnya kecepatan pembentukan sel-sel membaran dasar.


Hal inilah yang menimbulkan kebutaan hingga menurunkan produktifitas seseorang, lebih jauh lagi akan menjadi beban bagi lingkungan. Permasalahan

retinopati

dan

menurunnya

produktivitas

dapat

diminimalisir dengan pendeteksian dini yang dapat dilakukan oleh dokter umum. Dokter umum memiliki peranan penting dalam deteksi dini retinopati. Dengan melakukan prosedur penatalaksanaan awal kemudian dilanjutkan dengan menentukan kasus rujukan ke dokter spesialis mata. Berdasarkan latar belakang tersebut diatas, untuk mendukung kerja peranan dokter umum diperlukan suatu sistem deteksi dengan menggunakan model komputasi. Dengan adanya hal tersebut resiko terjadinya retinopati dapat diminimalisir. Oleh karena itu peneliti akan membangun suatu sistem kecerdasan buatan yang mampu mendeteksi tingkat resiko retinopati diabetik berdasarkan hasil citra digital dari kamera fundus dengan menampilkan hasil yang sudah diklasifikasikan untuk membantu pengambilan keputusan dan diagnosis kelanjutan yang akan dilakukan oleh dokter umum.

1.2 Rumusan Masalah Berdasarkan latar belakang yang telah dijelaskan sebelumnya peneliti merumuskan permasalahan yakni, 1. Apakah metode Support Vector Machine dapat digunakan untuk mengklasifikasikan citra digital retina berwarna untuk deteksi retinopati diabetik? 2. Berapakah nilai akurasi yang dihasilkan?


1.3 Tujuan Penelitian Tujuan dari dilakukannya penelitian ini untuk melakukan klasifikasi pola mikrovaskuler pada suatu citra digital retina untuk mendeteksi retinopati diabetik dengan tepat.

1.4 Batasan Masalah Mengingat cakupan permasalahan yang akan diteliti begitu luas, maka peneliti melakukan pembatasan permasalahan yang akan dibahas, meliputi : 1.

Citra digital retina yang akan diuji adalah citra digital retina yang berasal dari database MESSIDOR.

2.

Menggunakan inputan citra digital berwarna retina bertipe .tiff

3.

Citra inputan mengalami proses preprocessing dengan menggunakan fungsi yang disediakan library MATLAB.

4.

Proses ekstraksi ciri dengan menggunakan filter Gabor 2D.

5.

Pengklasifikasian

didasarkan

pada

hasil

diagnosa

medis

yang

menunjukkan jumlah mikroaneurisma, hemorrhages, dan neovaskularisasi.

1.5 Luaran penelitian Suatu sistem cerdas yang mampu menerima masukan berupa citra digital retina kemudian menampilkan luaran berupa output yang telah diklasifikasi berdasarkan tingkat keparahan disertai dengan nilai akurasi.


1.6 Metodologi penelitian Manfaat dan kegunaan dari dilakukannya penelitian ini antara lain : 1. Metode Studi literatur Studi literatur berfungsi untuk mencari dan mengumpulkan beragam literatur yang berkaitan dengan penelitian. Metode ini dilakukan dengan mengumpulkan berbagai informasi tentang retinopati diabetik, citra digital, ekstraksi fitur, dan Support Vector Machine melalui internet, jurnal, dan media informasi lainnya. 2. Pengumpulan Data Tahap ini dilakukan dengan mencari dan mengumpulkan data yang didapat dari database MESSIDOR. 3. Perancangan Tahap perancangan merupakan tahap untuk merancang jalannya penelitian baik dari preprocessing hingga didapatkan hasil klasifikasi. 4. Implementasi dan pengujian Implementasi merupakan tahap merealisasikan rancangan yang telah dibuat untuk menghasilkan luaran berupa hasil klasifikasi menggunakan SVM. Sedangkan pengujian merupakan tahap untuk menguji seberapa tinggi tingkat akurasi yang dihasilkan. 5. Evaluasi Menganalisa hasil

implementasi

dan membuat

didasarkan pada hasil yang telah dikerjakan.

kesimpulan

yang


1.7Sistematika Penelitian BAB I PENDAHULUAN Berisi latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan. BAB II LANDASAN TEORI Berisi landasan teori yang dipakai untuk pembahasan tugas akhir. BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini berisi dan gambaran umum mengenai perancangan sistem yang akan dibangun, yaitu sebuah perangkat lunak yang dapat mengenali citra masukan dan menghasilkan luaran berupa informasi yang sudah diklasifikasikan BAB IV IMPLEMENTASI SISTEM Berisi implementasi sistem menggunakan metode Support Vector Machine. BAB V ANALISA HASIL DAN PEMBAHASAN Bab ini berisi analisa hasil dan pembahasan mengenai pengenalan dan pengujian citra retina. BAB VI KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dan saran yang diperoleh dari pembuatan tugas akhir ini, serta beberapa saran untuk mengembangkan sistem lebih lanjut.


BAB II LANDASAN TEORI

Bab ini menjelaskan tentang teori-teori yang digunakan, yaitu tentang retinopati diabetik, pengolahan citra digital, ekstraksi fitur, dan klasifikasi berdasarkan Support Vector Machine. 2.1. Retinopati Diabetik Diabetes melitus adalah gangguan metabolisme yang secara genetis dan klinis termasuk heterogen dengan manifestasi berupa hilangnya toleransi karbohidrat. Jika berkembang secara klinis, maka diabetes melitus ditandai dengan hiperglikemia puasa dan postpradial, aterosklerotik, dan penyakit vaskular mikroangiopati, dan neuropati. Pasien dengan kelainan toleransi glukosa ringan (gangguan glukosa puasa dan gangguan toleransi glukosa) dapat tetap berisiko mengalami komplikasi metabolik diabetes. (Price, 2006) Berdasarkan hasil statistik dari berbagai sumber penderita diabetes selalu mengalami peningkatan dari tahun ke tahun. Tabel 2.1 menunjukan statistik penderita diabetes versi WHO. Pada tabel 2.1 ditunjukan jumlah penderita pada tahun 2000 dan prediksi jumlah penderita pada tahun 2030 yang disertai dengan persentase pertumbuhan penderita diabetes. Indonesia berada pada urutan keempat dari penderita diabetes terbanyak didunia.

7


Tabel 2. 1 Statistik Penderita Diabetes Versi WHO No 1 2 3 4 5 6

Negara India China United States of America Indonesia Japan Pakistan

Thn. 2000 31,705,000 20,757,000 17,702,000

Thn. 2030 79,441,000 42,321,000 30,312,000

Growth 151% 104% 71%

8,426,000 6,765,000 5,217,000

21,257,000 8,914,000 13,853,000

152% 32% 166%

7

Russian Federation

4,576,000

5,320,000

16%

8 9 10 11 12 13 14

Brazil Italy Bangladesh Turkey Philippines Spain Germany

4,553,000 4,252,000 3,196,000 2,920,000 2,770,000 2,717,000 2,627,000

11,305,000 5,374,000 11,140,000 6,422,000 7,798,000 3,752,000 3,771,000

148% 26% 249% 120% 182% 38% 44%

Egypt Mexico Islamic Republic of Iran 18 Canada 19 Republic of Korea 20 United Kingdom of Great Britain and Northern Ireland

2,623,000 2,179,000 2,103,000

6,726,000 6,130,000 6,421,000

156% 181% 205%

2,006,000 1,859,000 1,765,000

3,543,000 3,378,000 2,668,000

77% 82% 51%

15 16 17

Diabetes melitus hiperglikemia kronik menimbulkan kerusakan jangka panjang berupa disfungsi atau kerusakan beberapa organ, terutama mata, ginjal, saraf, jantung, dan pembuluh darah. Disfungsi yang diderita oleh pengidap Diabetes Melitus muncul dalam bentuk komplikasi-komplikasi yang dapat dibagi menjadi tiga kategori, yaitu mikrovaskular, makrovaskular, dan neuropati perifer.

8


Komplikasi metabolik diabetes disebabkan oleh perubahan yang relatif akut dari konsentrasi glukosa plasma. Sedangkan komplikasi vaskular jangka panjang dari diabetes melibatkan pembuluh-pembuluh kecil mikroangeropati dan pembuluh-pembuluh

sedang

dan

besar

makroangiopati.

Mikroangiopati

merupakan lesi spesifik diabetes yang menyerang kapiler dan arteriola retina (retinopati diabetik) dan saraf-saraf perifer (neuripati diabetik) dan saraf-saraf perifer (neuropati diabetik), otot-otot serta kulit. Dipandang dari sudut histokimia, lesi-lesi ini ditandai dengan peningkatan penimbunan glikoprotein. Selain itu, karena senyawanya kimia dari membran dasar dapat berasal dari glukosa, maka hiperglikemia menyebabkan bertambahnya kecepatan pembentukan sel-sel membran dasar. Perkembangan retinopati berkaitan dengan hiperglikemia yang diawali oleh keberadaan mikroaneurisma yaitu pelebaran sakular yang kecil dari arteriola retina. Hal ini yang menyebabkan terjadinya neovaskularisasi dan jaringan parut yang dapat menumbulkan kebutaan dan disebut dengan retinopati. Retinopati diabetik terjadi sebagai akibat dari lamanya menderita Diabetes Melitus. Patofisiologi pada retinopati diabetik melibatkan lima proses yang terjadi yaitu (Price, 2006) : 1. Pembentukan mikroaneurisma 2. Peningkatan permeabilitas pembuluh darah 3. Penyumbatan pembuluh darah 4. Proliferasi pembuluh darah baru (neovaskular) dan jaringan fibrosa di retina 5. Kontraksi dari jaringan fibrosis kapiler dan jaringan vitreus.


Penyumbatan dan kebocoran yang terjadi pada beberapa pembuluh darah merupakan penyebab terjadinya kebutaan. Tingkat kebocoran yang terjadi mendasarkan jenis retinopati itu sendiri. Klasifikasi retinopati Diabetes pada umumnya didasarkan pada beratnya perubahan mikrovaskular retina dan ada tidak adanya pembentukan pembuluh darah baru di retina. Early Treatment Diabetic Retinopathy Study Research Group (ETDRS) membagi retinopati diabetik atas nonproliferatif dan proliferatif. (W.Sudoyo, dkk, 2009) Klasifikasi Retinopati Diabetik Menurut ETDRS tersebut sebagai berikut : Retinopati diabetik nonproliferatif Retinopati nonproliferatif minimal: terdapat ≥ 1 tanda berupa dilatasi vena, mikroaneurisma, perdarahan intraretina yang kecil atau eksudat keras. 1.

Retinopati nonproliferatif ringan sampai sedang: terdapat ≥ 1 tanda berupa dilatasi vena derajat ringan, perdarahan, eksudat keras, eksudat lunak atau IRMA.

2.

Retinopati nonproliferatif berat: terdapat ≥ tanda berupa perdarahan dan mikroaneurisma pada 4 kuadran retina, dilatasi vena pada 2 kuadran, atau IRMA pada 1 kuadran

3.

Retinopati nonproliferatif sangat berat: ditemukan ≥ 2 tanda pada retinopati non-proliferatif berat.


Retinopati diabetik proliferatif 1. Retinopati proliferatif ringan (tanpa resiko tinggi): bila ditemukan minimal adanya neovaskular pada diskus (NVD) yang mencangkup < ¼ dari daerah diskus tanpa disertai perdarahan preretina atau vitreus; atau neovaskular di mana saja di retina (NVE) tanpa disertai perdarahan preretina atau vitreus. 2. Retinopati proliferatif resiko tinggi; apabila ditemukan 3 atau 4 dari factor resiko sebagai berikut, 3. ditemukan pembuluh darah baru di mana saja di retina, 4. ditemukan pembuluh darah baru pada atau dekat diskus optikus, 5. pembuluh darah baru yang tergolong sedang atau berat yang mencangkup < ¼ daerah diskus, 6. perdarahan vitreus adanya pembuluh darah baru yang jelas pada diskus optikus atau setiap adanya pembuluh darah baru yang disertai perdarahan, merupakan dua gambaran yang paling sering ditemukan pada retinopati proliferatif dengan resiko tinggi. Kelainan pada retina yang dapat terjadi akibat retinopati diabetik diantaranya (Kuivalainen, 2005) : 1. Mikroaneurisma merupakan penonjolan dinding kapiler terutama daerah vena dengan bentuk berupa bintik merah kecil yang terletak dekat pembuluh darah. 2. Hemorrhages biasanya tampak pada dinding kapiler dan terlihat bercak darah keluar dari pembuluh darah, terlihat berwarna merah gelap, lebih besar dari mikroaneurisma.


3. Hard exudates merupakan infiltrasi lipid ke dalam retina. Gambarannya khusus yaitu tidak beraturan dan kekuning-kuningan. 4. Soft exudates sering disebut cotton wool patches merupakan iskemia retina, terlihat bercak berwarna kuning bersifat difus dan berwarna putih. 5. Neovaskularisasi atau pembuluh darah baru biasanya terletak di permukaan jaringan, tampak sebagai pembuluh darah yang berkelok-kelok, dalam, berkelompok dan tidak beraturan. Tabel 2. 2 Bentuk Kelainan Retina Jenis

Ukuran

Warna

Bentuk

Keterangan lain

Mikroaneurisma

Sangat kecil

Merah gelap Bercak

Hemorrhage

Kecil hingga

Merah gelap Titik

besar Hard Exudates

Kecil hingga

atau -

flame Kuning

besar Soft Exudates

-

Tidak beraturan

Kecil hingga

Keputih-

Biasanya

medium

putihan

oval

Merah

Bervariasi

Neovaskularisasi Bervariasi

Tepi jelas

Tepi blur

Pembuluh darah baru

Hasil diagnosa medis setiap citra dapat menunjukkan tingkat retinopati diabetik (Setiawan, 2012): 0 (Normal): (μA = 0) AND (H = 0)


1 : (0 < μA <= 5) AND (H = 0) 2 : ((5 < μA < 15) OR (0 < H < 5)) AND (NV = 0) 3 : (μA >= 15) OR (H >=5) OR (NV = 1) μA adalah jumlah mikroaneurisma, H adalah jumlah hemorrhages, NV = 1 artinya terdapat neovaskularisasi, NV = 0 artinya tidak terdapat neovaskularisasi. 2.2. Pengolahan Citra Digital Secara umum, istilah pengolahan citra digital menyatakan “pemrosesan gambar berdimensi-dua melalui computer digital”. Menurut Efford, pengolahan citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra dengan berbagai cara. (Abdul Kadir, 2013) Suatu citra dapat didefinisikan sebagai fungsi y f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koorditat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y dan nilai amplitude f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra (Putra, 2010). Pada pengenalan pola, pengolahan citra antara lain berperan memisahkan objek dari latar belakang secara otomatis. Selanjutnya objek akan diproses oleh pengklasifikasi pola. Seringkali dijumpai citra yang memiliki kualitas rendah akibat kekurangan sinar ketika dibidik. Dengan menggunakan pengolahan citra, citra seperti itu dapat diperbaiki melalui peningkatan kecerahan dan kontras. Pada penelitian ini dilakukan penajaman dengan kontras dengan CLAHE (Contras Limited Adaptive


Histogram Equalization). CLAHE dapat digunakan sebagai alternative pengganti ekualisasi histogram. Ekualisasi histogram bekerja pad seluruh citra, sedangkan CLAHE beroperasi pada daerah kecil di citra yang disebut blok. Setiap blok ditingkatkan nilai kontrasnya, sehingga histogram dari wilayah sekitar cocok untuk

histogram

menggabungkan

tertentu. blok

Setelah

tetangga

melakukan

menggunakan

pemerataan,

interpolasi

biner

CLAHE untuk

menghilangkan batas-batas artifisial. CLAHE juga dapat dilakukan untuk menghindari derau yang ada pada citra dengan membatasi daerah homogen. (Setiawan, 2012) . 2.3 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu obyek. Pola sendiri adalah suatu entitas yang terdefinisi dan dapat diidentifikasikan serta diberi nama. Pola bisa merupakan kumpulan hasil pengukuran atau pemantauan dan bisa merupakan kumpulan hasil pengukuran atau pemantauan dan bisa dinyatakan dalam notasi vektor atau matriks (Putra, 2010) Pada dasarnya pengenalan pola terdiri dari beberapa mekanisme utama yang tergantung dari pendekatan yang dilakukan. Beberapa kasus data yang sudah diklasifikasikan diasumsikan tersedia untuk melatih sistem. Penelitian ini mengelompokkan mekanisme pengenalan pola dalam sistem pengenalan pola yang ditunjukan pada struktur berikut :


Pra pengolahan

Pencari dan Seleksi Fitur

Klasifikasi

Gambar 2.1Mekanisme Pengenalan Pola Pra pengolahan berfungsi mempersiapkan data citra digital retina agar dapat menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini dilakukan proses grayscaling, penajaman kontras, dan cropping yang bertujuan untuk menonjolkan ciri dan mengurangi dimensi data. Pencari dan seleksi fitur merupakan langkah untuk menemukan karakteristik pembeda yang mewakili sifat utama pada citra digital retina sekaligus mengurangi dimensi menjadi sekumpulan bilangan yang lebih sedikit namun representatif. Klasifikasi berfungsi mengelompokan hasil ekstraksi fitur ke dalam kelas yang sesuai dengan menggunakan pemisah kelas. 2.3.1. Ekstraksi fitur Ekstraksi fitur merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Secara umum metode ekstraksi fitur dikelompokkan menjadi empat bagian (Putra, 2010) yaitu : 1. Berdasarkan bentuk atau topologi 2. Berdasarkan sifat-sifat permukaan atau tekstur 3. Berdasarkan struktur geometri 4. Berdasarkan warna


Fitur menurut D.G. Kendall (M.B Stegman, 2002) dinyatakan dengan susunan bilangan yang dapat dipakai untuk mengidentifikasi objek. Fitur-fitur suatu objek mempunyai peran penting untuk berbagai aplikasi berikut : 1. Pencarian citra : fitur dipakai untuk mencari objek-objek tertentu yang berada di dalam database. 2. Penyederhanaan dan hampiran bentuk : bentuk objek dapat dinyatakan dengan representasi yang lebih ringkas 3. Pengenalan dan klasifikasi: sejumlah fitur dipakai untuk menentukan jenis objek. Untuk kepentingan aplikasi yang telah disebutkan, fitur hendaknya efisen. Fitur yang efisien perlu memenuhi sifat-sifat penting berikut : (Mingqiang, Kidiyo, & Joseph, 2008) : 1. Teridentifikasi : fitur berupa nilai yang dapat digunakan untuk membedakan antara suatu objek dengan objek lain. Jika kedua fitur tersebut didampingkan, dapat ditemukan perbedaan hakiki. 2. Tidak dipengaruhi oleh translas, rotasi, dan penyekalan. Dua objek sama tetapi berbeda dalam lokasi, arah pemutaran, dan ukuran tetap dideteksi sama. 3. Tidak bergantung pada affline 4. Tahan terhadap derau


5. Tidak bergantung pada tumpang tindih 6. Tidak bergantung secara statis : dua fitur harus tidak bergantung satu dengan yang lain secara statistik. 2.3.1.1

Filter Gabor 2D

Metode Filter Gabor 2D mampu menghubungkan representasi tekstur dan detektor citra yang optimal. Fungsi fabor Filter 2D juga mampu meminimalisasi ciri yang tidak penting dalam citra. (Mandasari, dkk, 2012) Filter Gabor 2D diperoleh dari sebuah fungsi Gaussian yang dimodulasi menggunakan variasi frekuensi ditunjukkan dengan Fungsi Gaussian 2-D ditunjukkan dengan persamaan :

(2.1) Dengan nilai

dan nilai

. x

dan y merupakan nilai koordinat piksel dalam citra, f merupakan frekuensi gelombang sinusoidal, merupakan kontrol terhadap orientasi dari sebuah fungsi Filter Gabor 2D, dan σ merupakan standar deviasi dimana

.

Fungsi kompleks filter Gabor 2D ditunjukkan dengan persamaan : (2.2) Real (2.3)


Imaginer (2.4)

2.3.1.2

Principal Component Analysis

Analisis komponen utama atau Pincipal Component Analysis adalah salah satu cara mengidentifikasi pola dalam data dan mengekspresikannya sedemikian rupa sehingga dapat terlihat persamaan dan perbedaannya. Pola ini berguna untuk mengkompresi data, yaitu mengurangi ukuran atau dimensi data tanpa kehilangan banyak informasi yang terkandung. Principal Component Analysis (PCA) melakukan/ transformasi set data dari dimensi lama ke dimensi baru (yang relatif berdimensi lebih rendah) dengan memanfaatkan teknik dalam aljabar linear, tanpa

memerlukan

masukan parameter tertentu dalam memberikan hasil pemetaan. Tujuan dari PCA yaitu meminimalkan redundansi yang diukur oleh nilai jarak dari kovarian dan memaksimalkan nilai keluaran pemetaan, diukur dengan varian. Jika data dalam dimensi asli sulit untuk dipresentasikan melalui grafik, maka

data

tersebut

disederhanakan

menggunakan

data

set

yang

dipresentasikan melalui rumus. Misalkan mempunyai data set yang sudah decentering

dengan kovarian (2.5)

Maka PCA menyelesaikan problem eigenvalue sebagai berikut :


(2.6) atau (2.7) Persamaan di atas bisa diselesaikan untukmencari nilai dengan menyelesaikan (2.8) Untuk eigenvalue adalah eigenvector dan

dan eigenvector

dengan solusi

adalah eigenvalue yang terletak dalam span

(Santoso, 2007) 2.3.1.3

Support Vector Machine

Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, Vapnik. Pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. SVM merupakan metode yang berusaha menemukan hyperplane terbaik pada input space. Prinsip dasar SVM adalah pengklasifikasi linier, dan selanjutnya dikembangkan agar dapat bekerja pada permasalahan nonlinier dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. (Nugroho dkk, 2003). Hyperplane (batas keputusan) pemisah terbaik antara kedua kelas dapat ditemukan dengan mengukur margin dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan data terdekat dari masingmasing kelas. Data yang paling dekat ini disebut sebagai support vector.


Usaha untuk mencari lokasi hyperplane merupakan inti dari proses pelatihan pada SVM. Data latih yang tersedia dinyatakan oleh (xi,

yi)

dengan i = 1, 2, …, N, dan xi = xi1, xi2, … xiq)T sebagai atribut (fitur) set untuk data latih yang ke-i, Untuk yi ϵ {-1,+1} menyatakan label kelas. Diasumsikan terpisah oleh hyperplane klasifikasi linear SVM, yang dinotasikan : (2.9) w dan b adalah parameter model. Secara teknis SVM bertujuan menentukan variabel w dan b sehingga data pelatihan dideskripsikan sebagai :

(2.10)

(2.11)

Agar SVM dapat bekerja pada permasalahan non-linear, perlu proses pemetaan dengan menggunakan perhitungan dot-product dua buah data pada ruang fitur baru untuk memetakan data ke dimensi yang lebih tinggi. Teknik komputasi ini disebut dengan kernel trick, yaitu menghitung dot-product dua buah vector di ruang dimensi baru dengan menggunakan komponen kedua buah vector tersebut di ruang dimensi asal sebagai berikut: K(xi,xj)=Φ(xi).Φ(xj)

(2.12)


Dan untuk prediksi pada set data dengan dimensi fitur yang baru diformulasikan : (2.13) N adalah jumlah data yang menjadi support vector, xi adalah support vector, dan z adalah data uji yang akan dilakukan prediksi.


BAB III METODOLOGI PENELITIAN

Bab Analisa dan Perancangan Sistem merupakan bab yang berisi penjelasan mengenai gambaran proses yang akan dilalui beserta cara kerja yang akan digunakan dalam penelitian.

3.1.Data Data yang digunakan untuk penelitian merupakan data yang dimiliki oleh MESSIDOR (Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology). MESSIDOR adalah program penelitian Techno Vision yang didanai oleh Kementrian Riset dan Pertahanan Perancis pada tahun 2004. Data MESSIDOR yang digunakan berupa data citra digital retina berekstensi .tiff . Data yang digunakan berjumlah 100 data citra yang terdiri dari 25 data mata normal, 25 data grade 1, 25 data grade 2, dan 25 data grade 3. Penampakan data citra yang digunakan dapat dilihat pada halaman lampiran. Data citra yang digunakan mengandung informasi utnuk menentukan tingkat keparahan retinopati diabetik yang diderita. Informasi tersebut ditunjukan oleh jumlah mikroaneurisma, hemorrhages, dan neovaskularisasi yang terdapat pada masing-masing citra.

22


Contoh citra

23

retina sehat dan yang terjangkit retinopati diabetik

ditunjukkan pada gambar 3.1

Grade 0

Grade 1

Grade 2

Grade 3

Gambar 3. 1 Citra digital retina grade0, grade 1, grade 2, grade 3

3.2.Metodologi Penelitan Penelitian yang dilakukan menggunakan data citra digital berwarna sebagai masukkan. Karakter yang akan dikenali pada citra tersebut berupa beratnya perubahan mikrovaskular retina dan ada tidaknya pembetukan pembuluh darah baru. Input yang diproses dengan menggunakan ekstensi .tiff dengan ukuran asli 2240x1488 pixel berupa citra digital berwarna retina. Data cita masukkan akan melalui preprocessing yang terdiri dari beberapa langkah. Langkah untuk melakukan preprocessing diawali dengan memisahkan kanal yang terdiri dari


24

kanal merah, hijau, dan biru. Hasil dari kanal hijau yang digunakan pada penelitian. Citra kanal hijau kemudian mengalami penajaman kontras untuk menonjolkan informasi di dalamnya. Hasil dari penajaman kontras dikenai proses binerisasi kemudian dinegasikan. Untuk semakin meminimalkan ukuran dilakukan proses cropping. Gambaran dari keseluruhan sistem yang dibuat ditunjukkan pada gambar 3.2 berupa diagram blok keseluruhan sistem.

Dataset citra berwarna retina

Preprocessing

merah

merah Binerisasi Citra Asli

hijau

cropping Citra Asli

Penajaman kontras Negasi

Preprocessing

hijau

Binerisasi

cropping

Negasi

cropping

Penajaman kontras

cropping biru

biru

Input dataset pelatihan hasil dari preprocessing

Input data testing

Ekstraksi ciri Filter Gabor 2D

Ekstraksi ciri Filter Gabor 2D

Klasifikasi Support Vector Machine tahap training

Modelling SVM

Klasifikasi Support Vector Machine tahap testing

Hasil klasifikasi

Gambar 3. 2 Diagram Blok Keseluruhan Sistem


25

3.3. Metode Preprocessing Proses preprocessing diperlukan dalam pengolahan suatu citra digital berwarna. Fungsinya untuk memperbaiki kualitas suatu citra dan mengolah informasi di dalamnya untuk proses berikutnya. Pada tahap ini sinyal informasi ditonjolkan dan sinyal pengganggu (derau) diminimalisasi (Putra, 2010).

merah

Citra Asli

hijau

Preprocessing Binerisasi

cropping

Negasi

cropping

Penajaman kontras

biru

Gambar 3. 3 Diagram Blok Preproses Proses preprocessing yang akan dilkaukan diawali dengan memisahkan citra asli berdasarkan kanal merah, hijau, dan biru. Kemudian diambil kanal hijau dan dilakukan penajaman kontras. Hasil penajaman kontras dikenai binerisasi dan dinegasikan. Keduanya di-cropping untuk nantinya menjadi masukkan pada tahap ekstraksi fitur. 3.3. Metode Ekstraksi Fitur dengan Menggunakan Filter Gabor 2D Metode ekstraksi fitur dengan menggunakan Filter Gabor digunakan karena mampu mengenali karakteristik pada sistem visual manusia. Cara untuk mendapatkan nilai fitur yang terbaik pada Filter Gabor dengan mengubah nilai parameternya. Parameter yang dimiliki oleh filter Gabor antara lain frekuensi filter, sudut orientasi, lebar pita frekuensi, lebar pita angular, standar deviasi, dan meshgrid. (Mandasari, 2012).


26

Algoritma untuk melakukan ekstraksi fitur menggunakan Gabor Filter berupa : 1. Menentukan nilai sigma,theta, dan F 2. Ambil data berupa citra digital berwarna retina, kemudian data tersebut dibagi dua untuk digunakan sebagai data training dan data testing 3. Melakukan multiple Gabor Transforms dengan perngubahan parameter ke data training, dan menggunakan perubahan gambar sebagai fitur. 4. Menambahkan Gabor Linear Modeling ke data training. 5. Setelah menghasilkan GLM dari data training, kita akan menguji seberapa baik Gabor dengan penambahan GLM dalam menghasilkan fitur pada testing 6. Seteleh mendapatkan nilai output dari GLM menggunakan ekstraksi fitur dari testing image, didapatkan hasil seberapa baik pendeteksi dapat menunjukan lokasi kelainan.

3.4. Metode Klasifikasi Menggunakan Support Vector Machine Untuk dapat menggunakan PCA dengan tepat digunakan algoritma berikut : 1. Matriks X adalah hasil pengurangan rata-rata dari setiap dimensi data pada matriks data. 2. Matriks Cx adalah covariance matrix dari matriks X. 3. Hitung eigenvector dan eigenvalue dari Cx . 4. Pilih component dan bentuk vector feature dan principal component dari eigenvector yang memiliki eigenvalue paling besar diambil. 5. Menurunkan set data yang baru.


Algoritma untuk melakukan klasifikasi menggunakan SVM adalah sebagai berikut : 1. Tentukan H dimana Hij

=

yiyjxi.xj

(3.1)

2. Cari α sehingga (3.2) 3. Menjadi maksimal, dengan syarat : (3.3) 4. Hitung (3.4) 5. Tentukan seluruh support vector S dengan mencari indexnya dimana αi ≥ 0 6. Hitung (3.5) 7. Tiap titik baru x’ dapat terklarifikasi dengan memeriksa (3.6) Fungsi kernel yang biasa digunakan dalam literature SVM : 1. Linear (3.7) 2. Polynomial (3.8) 3. Gaussian RBF

27


28

(3.9) 4. Sigmoid(tangen hiperbolik) (3.10)

Klasifikasi non-linear 1. Lakukan pemetaan data ke dimensi lebih tinggi dengan kernel yang dipilih

2. Tentukan H dimana (3.11) 3. Cari α sehingga (3.12) Menjadi maksimal, dengan syarat : (3.13) 4. Hitung (3.14) 5. Tentukkan seluruh support vector S dengan mencari indexnya dimana

6. Hitung (3.15) 7. Tiap titik baru x’ dapat terklasifikasi dengan memeriksa


29

(3.16)

3.5. Evaluasi hasil Pada K-Fold cross validation dataset yang utuh dipecah secara random menjadi k subset dengan size yang hampir sama dan saling eksklusif satu sama lain. Model pada klasifikasi di latih dan diuji sebanyak k kali. Setiap proses pelatihan semua dilatih pada semua fold kecuali hanya sat fold yang digunakan untuk proses pengujian. Penilaian cross-validation terhadap akurasi model secara keseluruhan dihitung dengan mengambil rerata dari semua hasil akurasi individu ‘k’, seperti yang ditunjukkan dengan persaman berikut: (3.17)

Keterangan : Σ data benar = jumlah angka pada diagonal matriks Σ seluruh data = keseluruhan data yang digunakan untuk pengujian


BAB IV IMPLEMENTASI DAN ANALISA SISTEM

Bab implementasi dan analisa sistem merupakan bab yang menjelaskan implementasi

yang

telah

dipaparkan

pada

bagian

metodologi.

Berupa

preprocessing, ekstraksi fitur, klasifikasi menggunakan metode Support Vector Machine, hingga mendapatkan nilai akurasi menggunakan confusion matrix.

4.1. User Interface Untuk mempermudahkan dalam melakukan klasifikasi pada penelitian ini dibuat suatu user interface. User interface ini dibuat untuk membantu dalam preproses, ekstraksi fitur hingga mendapatkan hasil klasifikasi beserta akurasinya. Halaman utama ditunjukkan pada gambar 4.1 . Pada halaman utama terdiri dari beberapa bagian menu, untuk preprocessing dan klasifikasi, serta halaman untuk melakukan pengujian dengan data tunggal.

30


Gambar 4. 1 User interface Halaman utama

Halaman preprocessing untuk menampilkan bagian yang digunakan untuk tahap preprocessing. Implementasi halaman preprocessing dapat dilihat pada gambar 4.2

Gambar 4. 2 Halaman Preprocessing


Halaman Hasil preprocesising merupakan halaman yang menunjukan data citra yang sedang mengalami proses preprocessing, data citra yang ditampilkan pada halaman tersebut akan berubah-ubah sesuai dengan data yang sedang diproses.

Gambar 4. 3 Halaman Hasil Preprocessing

Halaman hasil klasifikasi merupakan halaman yang menunjukan hasil klasifikasi seluruh dataset yang berjumlah 100 data citra. Pada panel ini ditunjukkan jumlah data yang diklasifikasikan pada kelas yang benar melalui confusion matriks. Nilai akurasi yang ditunjukkan didapatkan dari perhitungan nilai jumlah data benar yang dibagi dengan seluruh data yang digunakan.


Gambar 4. 4 Halaman Hasil Klasifikasi Gambar 4.5 merupakan panel untuk melakukan uji tunggal. Pada panel ini masukan berupa citra tunggal yang akan mengalami preproses dan ekstraksi fitur seperti pada proses klasifikasi yang dilakukan pada dataset. Perbedaan pada uji tunggal citra masukan dideteksi satu per satu dan data yang dimasukan bukan berasal dari dataset yang digunakan untuk training.

Gambar 4. 5 Tampilan Uji Tunggal

4.2. Analisis Hasil 4.2.1

Preprocessing

Tahap preprocessing merupakan tahapan awal sebelum dilakukan ekstraksi fitur dan klasifikasi. Proses preprocessing berjalan jika button proses diklik kemudian semua data yang dimiliki akan dilooping satu per satu.


Data yang ada tersimpan dalam folder dataFoto, untuk membaca folder tersebut digunakan fungsi strcat, dan untuk melakukan looping nilai i diset untuk folder yang menunjukkan kelas yang dimiliki sejumlah 4, di dalam folder tersebut terdapat data citra yang masing-masing berjumlah 25 citra, untuk meloopingnya digunakan j. proses looping yang terjadi ditunjukkan

pada

potongan source code berikut for i=1:4 folder=strcat('dataFoto\GRADE',num2str(n),'\'); for j=1:25 file = strcat(folder,'grade',num2str(n),' (',num2str(j),').tif');

Kode Program 4. 1 looping dataFoto Citra masukkan yang digunakan berupa citra digital berwarna retina.. Preprocessing diawali dengan melakukan pemisahan kanal warna. Komponen kanal pada suatu citra berwarna terdiri dari tiga unsur, yaitu merah, hijau, dan biru.

Pemisahan

red=data(:,:,1)

kanal

tersebut

dilakukan

dengan

menggunakan

untuk mendapatkan kanal merah, green=data(:,:,2) kanal

hijau, dan blue=data(:,:,3)kanal biru. Selanjutnya dilakukan perbaikan kontras dengan CLAHE untuk mendapatkan citra dengan tingkat kontras yang sesuai sehingga detail pembuluh darah pada citra nampak jelas. CLAHE memperbaiki kontras citra secara adaptif dengan ukuran window tertentu sehingga kontras keseluruhan citra optimal dapat tercapai. (Mandasari, dkk, 2012) Matlab memiliki fungsi CLAHE berupa adapthisteq. Lakukan penajaman kontras tersebut pada semua kanal warna ad_red=adapthisteq (red);, (green);dan ad_blue=adapthisteq (blue);.

ad_green=adapthisteq

Contoh perubahan pada citra


yang telah mengalami pemisahan kanal dan penajaman kontras ditunjukan pada gambar Merah

Hijau

Biru

Gambar 3. 4 Citra Kanal merah, hijau, biru Tidak semua kanal citra mampu menunjukkan informasi yang maksimal. Untuk segmentasi mikroaneurisma kanal citra yang diambil adalah kanal hijau, karena pada kanal ini mikroaneurisma dan pembuluh darah akan terlihat gelap dan jelas jika dibanding yang lain (Zahara, dkk, 2011). Selanjutnya dilakukan proses binerisasi pada citra kanal hijau untuk masukkan pada Filter Gabor. Mengubah citra kanal hijau menjadi citra biner dilakukan dengan menggunakan fungsi binerisasi yang dimiliki oleh matlab g = im2bw(Gambar2).

im2bw memiliki fungsi mengubah image ke dalam bentuk

biner. Mengingat ukuran citra yang diolah tinggi perlu dilakukan pemisahan pada bagian data yang memberikan informasi dengan background. Cara ini dilakukan dengan menemukan titik tengah pada citra menggunakan center = [lebar/2 tinggi/2];

yang selanjutnya digunakan untuk memisahkan daerah digunakan

menggunakan rumus luas lingkaran pada code program 3.2.


[lebar tinggi]=size(g); center = [lebar/2 tinggi/2]; jari = min(center); for a=1:lebar for b=1:tinggi jarak = sqrt((a - center(1)) .^ 2 + (b - center(2)) .^ 2); if jarak > jari g(a, b) = 255; end end end

Kode Program 3. 1 Cropping Citra biner yang sudah melakukan proses binerisasi dan cropping diinverskan dengan menggunakan tanda ~ sehingga neg=~g; untuk dijadikan masukkan pada tahap Filter Gabor 2D. Bentuk citra yang telah mengalami preprocessing dan akan digunakan ditunjukan pada gambar 3.5 Citra yang dibinerisasi dinamakan biner, dan citra hasil invers nya dinamakan negasi. Biner

Negasi

Gambar 3. 5 Citra biner dan Negasi

4.2.2

Filter Gabor 2D

Proses ekstraksi dengan menggunakan filter Gabor 2D dimulai dengan menentukan nilai sigma, theta, dan F.

Masukkan untuk filter gabor 2D berupa


citra biner dan citra yang dinegasikan. Awali proses dengan menentukan training image dan testing image. Masukkan yang digunakan untuk melakukan training dan testing ini merupakan data biner dan negasi hasil dari preprocessing Untuk melakukan ektraksi fitur pada training image inisialisasikan parameter untuk melakukan multiple Gabor transform seperti yang ditunjukkan pada code program 4.2 % initialize parameters for Gabor transforms filter_size = 50.*scale; filter_size_halfed = round((filter_size)/2); Fs = 0.1:0.1:0.4; sigmas = [2:2:2].*scale; thetas=pi/12:pi/12:pi-pi/12;

Kode Program 4. 2 Inisialisasi parameter Gabor Transform Parameter yang diinisialisasikan pada code program 4.2 berguna untuk melakukan multiple gabor transform yang selanjutnya ditambahkan Gabor Linear Model untuk mendapatkan feature. Penambahan Gabor Linear Model dilakukan dengan menggunakan fungsi glmfit yang dimiliki Matlab. % reshape feature array szG = size(features); features = reshape(features,[prod(szG(1:2)),prod(szG(3:end))]); % fit GLM with the features and the location of the vessels b = glmfit(features,trainingAns(:),'normal'); % see the output of the model based on the training features CTrain = glmval(b,features,'logit'); CTrain = reshape(CTrain,szG(1:2));

Kode Program 4. 3 Penambahan glm Nilai hasil ekstraksi disimpan dan dilakukan proses transpose. Transpose matriks dilakukan dengan memberikan tanda petik (‘) pada nilai yang akan ditranspos. Transpose matrik merupakan merubah baris menjadi kolom, atau kolom jadi baris. Transpose matriks yang terjadi disini merupakan perubahan


kolom menjadi baris. Tujuan dilakukannya transpose untuk memudahkan pembacaan data pada saat melakukan klasifikasi. [b]=ekstraksi( Img,bwImg); b=b'; bHasil=[bHasil;b];

Kode Program 4. 4 Transpose hasil ekstraksi Hasil dari preprocessing dan ekstraksi ditunjukkan pada tabel 4.1. Pada tabel tersebut terdapat 100 data dengan dimensi data masing-masing 122. Baris pertama tidak termasuk data hasil ekstraksi. Baris pertama menunjukkan label yang dimiliki data tersebut. Label ini akan berguna ketika melakukan proses klasifikasi, yang gunanya mencocokan data tersebut berada di kelas mana.

4.2.3

Support Vector Machine

Pengujian dilakukan dengan cara mengubah-ubah fungsi kernel pada SVM pada proses training. Tujuan dilakukannya proses tersebut untuk menemukan fungsi kernel terbaik agar menghasilkan nilai akurasi yang tinggi. Untuk melakukan klasifikasi ambil dataset hasil preprocessing dan ekstraksi fitur yang disimpan dalam bentuk matrik dengan menggunakan fungsi load matlab yang dilanjutkan dengan nama file berupa hasilPreprocessing.mat. if option == 1 [ att, ~ ] = pca( att, pc); save ('dataPCA.mat','att'); end

Kode Program 4. 5 Option PCA Untuk melakukan klasifikasi dengan data yang di pca isi nilai option pada kelas svm dengan nilai 1, untuk melakukan klasifikasi tanpa menambahkan PCA nilai option diisi dengan nilai 0. Dataset hasil ekstrasi


tanpa mengunakan PCA ditunjukkan pada tabel 4.1, sedangkan dataset yang dikenai PCA ditunjukkan pada tabel 4.2. Tabel 4. 1Hasil Ekstraksi sebelum PCA

Tabel 4. 2 Hasil PCA

Dataset yang baik yang menggunakan PCA atau tidak akan dicocokan dengan prediksi klasifikasi yang dibuat pada kelas svm. Pencocokan ini digunakan untuk menentukan data tersebut berada di kelas mana. Source code untuk melakukan prediksi ditunjukkan pada kode program 4.6. %melakukan prediksi kelas_1 = [1 1 1 1]; kelas_2 = [0 0 1 1]; kelas_3 = [0 1 0 1]; kelas_4 = [0 1 1 0];

for i=1:m prediksi(1) = svmclassify(SVMStruct_1,data_latih(i,:));


prediksi(2) = svmclassify(SVMStruct_2,data_latih(i,:)); prediksi(3) = svmclassify(SVMStruct_3,data_latih(i,:)); prediksi(4) = svmclassify(SVMStruct_4,data_latih(i,:)); jarak(1) jarak(2) jarak(3) jarak(4)

= = = =

sum(xor(prediksi, sum(xor(prediksi, sum(xor(prediksi, sum(xor(prediksi,

kelas_1)); kelas_2)); kelas_3)); kelas_4));

[a, idx_kelas] = min(jarak); kelas_uji_hasil(i) = idx_kelas; end

Code Program 4. 6 Menentukan Prediksi SVM Data yang telah diklasifikasi dan dilakukan prediksi, akan dihitung

nilai akurasinya. Untuk menghitung nilai akurasi dilakukan dengan membagi jumlah data benar dengan jumlah seluruh data yang kemudian hasilnya dikalikan dengan 100 untuk mendapatkan nilai persentase. Pada penelitian ini dilakukan

dengan

membentuk

confusionmatrik

menggunakan

fungsi

confusionmat membandingkan kelas latih dengan kelas uji hasil. Untuk mendapatkan nilai prosentase akurasi dilakukan dengan menjumlahkan diagonal hasil prediksi sebagai jumlah data benar dan dibagi dengan jumlah hasil prediksi sebagai jumlah data keseluruhan. Hasil pembagian keduanya dikali dengan 100 untuk mendapatkan nilai persentase. [kelas_latih, kelas_uji_hasil]= svm( data,pc,option); hasil_prediksi = confusionmat(kelas_latih, kelas_uji_hasil); akurasi=(sum(diag(hasil_prediksi))/sum(hasil_prediksi(:)))*100;

assignin('base','hasil_prediksi',hasil_prediksi); assignin('base','akurasi',akurasi);

Code Program 4. 7 Hitung Akurasi


Percobaan untuk mendapatkan nilai akurasi terbaik yang dilakukan menggunakan 2 cara seperti yang sudah dijelaskan sebelumnya, yakni dengan melakukan perubahan pada fungsi kernel dan masukan dataset tanpa PCA dan masukkan yang dikenai PCA. Pada saat percobaan dataset yang dimasukan tidak sekaligus dua dataset PCA dan tanpa PCA, melainkan salah satu jenis dengan salah satu kernel. Kemudian dilakukan perhitungan akurasi, untuk menentukan yang paling optimal dan digunakan. Menghitung nilai akurasi dilakukan dengan menjumlahkan diagonal pada confusion matrix sebagai jumlah data benar. Kemudian dibagi total seluruh data yang dimiliki dan dikali 100. Percobaan pertama dilakukan dengan menggunakan Kernel Polynomial orde 2 seperti yang ditunjukkan pada tabel Tabel 4. 3 Confusion Matrix Kernel Polynomial orde 2 tanpa PCA Grade0 Grade1 Grade2 Grade3 Grade0

24

1

0

0

Grade1

12

11

0

2

Grade2

23

0

0

2

Grade3

16

2

0

7

Hasil dari percobaan menggunakan Kernel Polynomial orde 2 didapatkan 24 data benar terklasifikasi pada grade 0, 11 data terklasifikasi benar pada grade 1, tidak ada data yang terklasifikasi benar pada grade 2, dan 7 data yang terkalsifikasi benar pada grade 3. Nilai akurasi didapatkan dengan menjumlahkan nilai 24, 11, 0, dan 7 dikalikan dengan jumlah data yang dimiliki sejumlah 100 dan dikalikan 100 untuk mendapatkan persentase. Hasilnya Kernel


Polynomial orde 2 menghasilkan nilai akurasi sebesar 42%. Hal yang sama dilakukan pada kernel lain Tabel 4. 4 Confusion Matrix Kernel Polynomial Order 3 tanpa PCA Grade0 Grade1 Grade2 Grade3 Grade0

23

2

0

0

Grade1

12

11

0

2

Grade2

20

0

1

4

Grade3

13

2

0

10

Dari 100 data yang diujikan pada Kernel Polynomial Order 3 yang ditunjukkan pada tabel 4.4 didapatkan 45 data terdeteksi dengan benar terdiri dari 23 data pada grade 0, 11 data grade 1, 1 data grade 2, dan 10 data grade 3. Nilai akurasi yang diperoleh sebesar 45%. Tabel 4. 5 Confusion Matrix Kernel Linear tanpa PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

18

5

0

2

Grade2

23

0

0

2

Grade3

19

0

0

6

Tabel 4.5 menunjukkan hasil Confusion Matrix Kernel Linear tanpa PCA didapatkan 36 data terdeteksi dengan benar terdiri dari 25 data pada grade 0, 5 data grade 1, tidak ada data terdeteksi benar pada data grade 2, dan 6 data grade 3. Nilai akurasi yang diperoleh sebesar 36%.


Tabel 4. 6 Confusion Matrix Kernel Quadratic tanpa PCA Grade0 Grade1 Grade2 Grade3 Grade0

24

1

0

0

Grade1

12

11

0

2

Grade2

23

0

0

2

Grade3

16

2

0

7

Tabel 4.6 menunjukkan hasil Confusion Matrix Kernel Linear tanpa PCA didapatkan 42 data terdeteksi dengan benar terdiri dari 24 data pada grade 0, 11 data grade 1, tidak ada data terdeteksi benar pada data grade 2, dan 7 data grade 3. Nilai akurasi yang diperoleh sebesar 42%. Tabel 4. 7 Confusion Matrix Kernel RBF tanpa PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

18

5

0

2

Grade2

23

0

0

2

Grade3

19

2

0

6

Tabel 4.7 menunjukkan hasil Confusion Matrix Kernel RBF tanpa PCA didapatkan 36 data terdeteksi dengan benar terdiri dari 25 data pada grade 0, 5 data grade 1, tidak ada data terdeteksi benar pada data grade 2, dan 6 data grade 3. Nilai akurasi yang diperoleh sebesar 36%.


Tabel 4. 8 Confusion Matrix Kernel Least Square Method tanpa PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

18

5

0

2

Grade2

23

0

0

2

Grade3

19

0

0

6

Tabel 4.8 menunjukkan hasil Confusion Matrix Kernel Least Square Method tanpa PCA didapatkan 36 data terdeteksi dengan benar terdiri dari 25 data pada grade 0, 5 data grade 1, tidak ada data terdeteksi benar pada data grade 2, dan 6 data grade 3. Nilai akurasi yang diperoleh sebesar 36%. Tabel 4. 9 Confusion Matrix Kernel Quadratic Programming Method tanpa PCA Grade0 Grade1 Grade2 Grade3

Tabel

4.9

Grade0

25

0

0

0

Grade1

18

5

0

2

Grade2

23

0

0

2

Grade3

19

0

0

6

Confusion

Matrix

menunjukkan

hasil

Kernel

Quadratic

Programming Method tanpa PCA didapatkan 36 data terdeteksi dengan benar terdiri dari 25 data pada grade 0, 5 data grade 1, tidak ada data terdeteksi benar pada data grade 2, dan 6 data grade 3. Nilai akurasi yang diperoleh sebesar 36%.


Tabel 4. 10 Confusion Matrix Kernel Seguential Minimal Optimization Method tanpa PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

18

5

0

2

Grade2

23

0

0

2

Grade3

19

0

0

6

Tabel 4.10 menunjukkan hasil kernel Sequential Minimal Optimization Method sebesar 30%. Pada pengujian 100 data 30 data yang terdeteksi dengan benar, terdiri dari 25 data grade 0, 5 data grade 1, dan 6 data grade 3. Setelah seluruh kernel dicoba tanpa melakukan PCA didapat nilai akurasi yang paling tinggi pada Kernel Polynomial orde 3 sebesar 45%, sedangkan nilai akurasi yang paling rendah pada saat menggunakan kernel Sequential Minimal Optimization sebesar 30%. Percobaan selanjutnya ditambahkan PCA pada dataset, untuk membandingkan apakah nilai akurasi akan meningkat atau tidak. Tabel 4. 11 Confussion Matrix kernel Polynomial orde 2 menggunakan PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

2

22

1

0

Grade2

7

0

18

0

Grade3

8

2

1

16

Percobaan menggunakan Kernel Polynomial orde 2 menggunakan PCA yang ditunjukkan pada tabel 4.11 menghasilkan 25 data terklasifikasikan


secara benar pada grade 0, 22 data benar pada grade 1, 18 data benar terklasifikasikan pada grade 2, dan 16 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 82%. Tabel 4. 12 Confussion Matrix kernel Polynomial orde 3 menggunakan PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

0

25

0

0

Grade2

0

0

25

0

Grade3

1

0

0

24

Tabel 4.12 menunjukkan hasil kernel Polynomial orde 3 sebesar 99%. Pada pengujian 100 data 30 data yang terdeteksi dengan benar, terdiri dari 25 data grade 0, 5 data grade 1, dan 6 data grade 3. Tabel 4. 13 Confussion Matrix kernel Linear menggunakan PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

6

19

0

0

Grade2

23

0

1

1

Grade3

20

0

2

3

Tabel 4.13 menunjukkan hasil Kernel Linear menggunakan PCA yang ditunjukkan menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 19 data benar pada grade 1, 11 data benar terklasifikasikan pada grade 2, dan 3 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 48%


Tabel 4. 14 Confussion Matrix kernel Quadratic menggunakan PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

2

22

1

0

Grade2

7

0

18

0

Grade3

8

0

1

16

Tabel 4.14 menunjukkan hasil Kernel Quadratic menggunakan PCA yang menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 22 data benar pada grade 1, 18 data benar terklasifikasikan pada grade 2, dan 16 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 81% Tabel 4. 15 Confussion Matrix kernel RBF menggunakan PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

2

0

0

Grade1

6

19

0

2

Grade2

23

0

1

1

Grade3

20

2

2

3

Tabel 4.15 menunjukkan hasil Kernel RBF menggunakan PCA yang menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 19 data benar pada grade 1, 1 data benar terklasifikasikan pada grade 2, dan 3 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 47%


Tabel 4. 16 Confussion Matrix kernel Least Square Method menggunakan PCA

Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

6

19

0

0

Grade2

25

0

0

0

Grade3

22

0

1

2

Tabel 4.16 menunjukkan hasil Kernel Least Square Method menggunakan PCA yang menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 19 data benar pada grade 1, tidak ada data benar terklasifikasikan pada grade 2, dan 2 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 46% Tabel 4. 17 Confussion Matrix kernel Quadratic Programming Method menggunakan PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

2

0

0

Grade1

6

19

0

2

Grade2

23

0

1

1

Grade3

20

0

2

3

Tabel 4.17 menunjukkan hasil Kernel Least Square Method menggunakan PCA yang menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 19 data benar pada grade 1, 1 data benar terklasifikasikan pada grade 2, dan 3 data terklasifikasikan benar pada grade 3. Nilai akurasinya sebesar 47%


Tabel 4. 18 Confussion Matrix Kernel Sequential Minimal Optimization dengan PCA Grade0 Grade1 Grade2 Grade3 Grade0

25

0

0

0

Grade1

6

19

0

0

Grade2

25

0

0

0

Grade3

24

0

0

1

Tabel 4.17 menunjukkan hasil Kernel Sequential Minimal Optimization menggunakan PCA yang menghasilkan 25 data terklasifikasikan secara benar pada grade 0, 19 data benar pada grade 1, tidak ada data benar terklasifikasikan pada grade 2, dan 3 data terklasifikasikan benar pada

grade

3. Nilai akurasinya sebesar 45%. Tabel 4. 19 Perbandingan akurasi menggunakan PCA dan tanpa PCA Berdasarkan hasil pengujian yang telah dilakukan, didapatkan kesimpulan bahwa klasifikasi dengan menggunakan pereduksi dimensi data PCA menghasilkan nilai yang lebih tinggi. Pada saat tanpa menggunakna PCA nilai akurasi paling tinggi ketika menggunakan Kernel Polynomial Order 3 sebesar 45%, sedangkan nilai paling rendah pada Kernel Sequential Minimal Optimization Method sebesar 30%. Pada saat ditambahkan PCA nilai akurasi meningkat dan hasil akurasi paling tinggi pada saat menggunakan Kernel Polynomial Order 3 sebesar 99%, dan nilai akurasi paling rendah saat menggunakan Kernel Sequential Minimal Optimization Method sebesar 45%.


Karna nilai akurasi yang didapatkan sebesar 99% mengunakan Kernel Polynomial Order 3 maka pada saat dibuat user interface kernel yang diunakan Kernel Polynomial Order 3. Hasil perbandingan akurasi tanpa PCA dan menggunakan PCA dihadirkan secara keseluruhan pada tabel 4.20, dan grafik yang ditunjukkan pada gambar

Tabel 4. 20 Hasil Perbandingan akurasi Akurasi Pengujian

Tanpa PCA

PCA

Kernel Polynomial Order 2

42 %

82%

Kernel Polynomial Order 3

45 %

99%

Kernel Linear

36 %

48%

Kernel Quadratic

42 %

81%

Kernel Radial Basis Function (RBF)

36 %

47%

Kernel Least Square Method

36 %

46%

Kernel

Programming

36 %

47%

Minimal

30 %

45%

Quadratic

Method Kernel

Sequential

Optimization Method


Grafik Hasil Akurasi 120% 100% 80%

99% 82%

81%

60% 40%

42%

45%

48% 36%

42%

47% 36%

46% 36%

20% 0%

Akurasi

Akurasi

Gambar 4. 6 Grafik Perbandingan Hasil Akurasi

47% 36%

45% 30%


BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan

percobaan

dan

penelitian

yang

telah

dilakukan

untuk

mengklasifikasikan citra digital retina menggunakan Support Vector Machine didapatkan kesimpulan berikut : 1. Preprocessing dapat membantu untuk mempermudah dalam pegolahan citra digital berwarna tanpa menghilangkan informasi yang terkandung di dalamnya. 2. Metode ekstraksi fitur dengan menggunakan Filter Gabor dan penambahan glmvit dapat merepresentasikan informasi yang baik untuk diolah pada tahap klasifikasi. 3. PCA dapat mereduksi dimensi data dan mengurangi nilai yang mengganggu dalam klasifikasi dengan baik, tanpa mengubah informasi yang ada. 4. Proses klasifikasi tanpa menggunakan pereduksi dimensi data PCA menghasikan nilai akurasi paling tinggi menggunakan SVM dengan kernel Polynomial orde 3 yang menghasilkan nilai akurasi sebesar 45% dan yang paling rendah pada saat menggunakan kernel Sequential Minimal Optimization Method sebesar 30%.

52


5. klasifikasi dengan penambahan pereduksi dimensi data PCA sebelumnya menghasilkan nilai akurasi yang lebih baik. Nilai paling tinggi ketika menggunakan kernel Polynomial orde 3 senilai 99% dan yang paling rendah pada saat menggunakan kernel Sequential Minimal Optimization Method sebesar 45%.

5.2 Saran Saran untuk tugas akhir ini adalah : 1. Inputan citra dapat lebih beraneka ragam dari berbagai sumber yang berbeda. 2. Inputan dengan menambahkan funsi perubahan pada nilai ambang. 3. Penelitian selanjutnya dapat menggunakan metode ekstraksi ciri yang berbeda.


DAFTAR PUSTAKA

IDM (2015). Data Statistik Jumlah Penderita Diabetes di Dunia versi WHO. http://indodiabetes.com/data-statistik-jumlah-penderita-diabetes-di-duniaversi-who.html - Diakses April 2015 Kadir A, Susanto A. (2013). Teori dan Aplikasi Pengolahan Citra . Yogyakarta: Penerbit Andi Offset. Kuivalainen, M., 2005. Retinal Image Analysis Using Machine Vision. Thesis, Lappeenranta University of Technology, Department of Information Technology, Finlandia. M.B Stegman GD. (2002). A Brief Introduction to Statistical Shape Analysis. Mandasari HR, Tjandrasa H, Wijaya AY. (2012). Segmentasi Pembuluh Darah Retina pada Citra Fundus Mata dengan 2D-Gabor Filter. Undergraduate Thesis of Informatics Engineering, RSIf 004.62 Man s : 1-4. Mingqiang Y, Kidiyo K, Joseph R. (2008). A Survey of Shape Feature Extraction Techniques on Pattern Recognition Tecnique. Messidor, 2014, Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology, http://messidor.crihan.fr/index-en.php, Diakses Mei 2015 Nugroho, A.S., Witarto, A. B., Handoko,D., 2003. Support Vector Machine Teori dan aplikasinya dalam Bioinformatika, Kuliah umum Ilmu Komputer.com, website : http://ilmukomputer.com, diakses 20 Desember 2011. Price SA, Wilson LM. (2006). Patofisiologi. Jakarta: EGC. Putra, Dharma. (2010). Pengolahan Citra Digital. Yogyakarta: Penerbit Andi Offset.

54


55

Santoso, Budi. (2007) Data Mining. Teknik Pemanfaatan Data untuk Keperluan Bisnis : Teknik dan Aplikasi. Yogyakarta: Graha Ilmu. Setiawan W. (2012). Sitem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine. Universitas Diponegoro. Thesis Sitompul R. (2008). Retinopati Diabetik. J Indon Med Assoc, Volum :61, Nomor: 8,Agustus 2011. W Sudoyo A, Setiyohadi B, Alwi I, Simadibrata M, Setiati S. (2009). Buku Ajar Ilmu Penyakit Dalam. Jakarta Pusat: InternaPublishing.


LAMPIRAN I : DATA TRAINING

Grade 0

56



Grade 1


Grade 2



Grade 3



LAMPIRAN II : CODE PROGRAM

File preprosess.m function [Img,bwImg] = preprosess( Nambang,data) %PREPROSESS Summary of this function goes here % Detailed explanation goes here

% % % % % % % %

clc; fprintf('memasukkan file citra\n'); fprintf('========================================\n'); proses input file = uigetfile('*.tif','masukkan filenya: '); data=imread(file); Nambang = input('Masukkan nilai Ambang ( 0-255 ):');

%mengubah citra digital berwarna menjadi citra beraras keabuan grayscalling=rgb2gray(data); %memisahkan kanal setiap citra berdasarkan kanal merah,hijau,dan biru red=data(:,:,1); green=data(:,:,2); blue=data(:,:,3);

%melakukan penajaman kontras adapthisteq ad_red=adapthisteq (red); ad_green=adapthisteq (green); ad_blue=adapthisteq (blue);

%proses binerisasi citra [lebar tinggi]=size(ad_green); for a=1:lebar for b=1:tinggi hasilbiner=double(ad_green(a,b)); if (ad_green(a,b)) < Nambang hasilbiner= 0; else hasilbiner= 255; end Gambar2(a,b)=hasilbiner; end end g = im2bw(Gambar2); % figure,imshow(uint8(Gambar2));

63


histo = sum(g); index = find(histo); g = g(:, index); histo = sum(g'); index = find(histo); g = g(index, :); %melakukan resize [lebar tinggi]=size(g); center = [lebar/2 tinggi/2]; jari = min(center); for a=1:lebar for b=1:tinggi jarak = sqrt((a - center(1)) .^ 2 + (b - center(2)) .^ 2); if jarak > jari g(a, b) = 255; end end end neg=~g; % subplot (2,1,1) % imshow(g); % title('biner') % subplot (2,1,2) % imshow(neg); % title('negasi') % figure,imshow(uint8(Gambar2)); % imwrite(g,'C:\Users\rerenietha\Documents\MATLAB\percobaanAkhir\bin er20060523_49928_0100_PP.tif'); % imwrite(neg,'C:\Users\rerenietha\Documents\MATLAB\percobaanAkhir\n egasi20060523_49928_0100_PP.tif'); Img=g; bwImg=neg; end

File ekstraksi.m function [b]= ekstraksi( img,bwImg) %EKSTRAKSI Summary of this function goes here % Detailed explanation goes here


[x,y]=meshgrid(-100:100,-100:100); sigma = 15; theta = pi/12; F = 0.05; g_sigma = (1./(2*pi*sigma^2)).*exp(((1).*(x.^2+y.^2))./(2*sigma.^2)); real_g = g_sigma.*cos((2*pi*F).*(x.*cos(theta)+y.*sin(theta))); im_g = g_sigma.*sin((2*pi*F).*(x.*cos(theta)+y.*sin(theta)));

% % load image img=double(img); % shrink image to decrease computation time. scale = 0.25; img = imresize(img,scale); % % load answer (location of vessels) bwImg=double(bwImg); bwImg = imresize(bwImg,scale,'nearest'); bwImg(bwImg==255) = 1; bwImg(bwImg==0) = 0; % get training and testing image and vessel location from the above images testingImg = img(1:175,:); testingAns = bwImg(1:175,:); trainingImg = img(176:end,:); trainingAns = bwImg(176:end,:);

%% Extract features from training image. % initialize parameters for Gabor transforms filter_size = 50.*scale; filter_size_halfed = round((filter_size)/2); Fs = 0.1:0.1:0.4; sigmas = [2:2:2].*scale; thetas=pi/12:pi/12:pi-pi/12; % initialize array for storing features features = zeros([size(trainingImg),numel(sigmas),numel(thetas),numel(Fs)]); % h1 = figure; % perform multiple Gabor transforms with varying parameters for k = 1:numel(sigmas) for j = 1:numel(Fs) for i = 1:numel(thetas)

sigma = sigmas(k); F = Fs(j); theta = thetas(i); % setup the Gabor transform


[x,y]=meshgrid(-filter_size_halfed:filter_size_halfed,filter_size_halfed:filter_size_halfed); g_sigma = (1./(2*pi*sigma^2)).*exp(((1).*(x.^2+y.^2))./(2*sigma.^2)); real_g = g_sigma.*cos((2*pi*F).*(x.*cos(theta)+y.*sin(theta))); im_g = g_sigma.*sin((2*pi*F).*(x.*cos(theta)+y.*sin(theta))); % perform Gabor transform uT =sqrt(conv2(trainingImg,real_g,'same').^2+conv2(trainingImg,im_g,' same').^2); % normalize transformed image uT = (uT-mean(uT(:)))./std(uT(:)); % append tranformed images to 'features' features(:,:,k,j,i) = uT;

end end end

%%

Fit

GLM with features and location of the vessels

% reshape feature array szG = size(features); features = reshape(features,[prod(szG(1:2)),prod(szG(3:end))]); % fit GLM with the features and the location of the vessels b = glmfit(features,trainingAns(:),'normal'); % see the output of the model based on the training features CTrain = glmval(b,features,'logit'); CTrain = reshape(CTrain,szG(1:2));

% Again, perform multiple Gabor transforms with varying parameters. features = zeros([size(testingImg),numel(sigmas),numel(thetas),numel(Fs)]); for k = 1:numel(sigmas) for j = 1:numel(Fs) for i = 1:numel(thetas) sigma = sigmas(k); F = Fs(j); theta = thetas(i);


% setup the "Gabor transform" [x,y]=meshgrid(-filter_size_halfed:filter_size_halfed,filter_size_halfed:filter_size_halfed); g_sigma = (1./(2*pi*sigma^2)).*exp(((1).*(x.^2+y.^2))./(2*sigma.^2)); real_g = g_sigma.*cos((2*pi*F).*(x.*cos(theta)+y.*sin(theta))); im_g = g_sigma.*sin((2*pi*F).*(x.*cos(theta)+y.*sin(theta))); % perform Gabor transform uT =sqrt(conv2(testingImg,real_g,'same').^2+conv2(testingImg,im_g,'sa me').^2); % normalize transformed image uT = (uT-mean(uT(:)))./std(uT(:)); % append tranformed images to 'features' features(:,:,k,j,i) = uT; end end end % feed the features to GLM. szG = size(features); features = reshape(features,[prod(szG(1:2)),prod(szG(3:end))]); Ctest = glmval(b,features,'logit'); Ctest = reshape(Ctest,szG(1:2)); % calculate sensitivity and specificity by thresholding % the output of GLM 'Ctest' and comparing the thresholded image with the answer. sensitivity = []; specificity = []; rgs = 0:0.01:1; for i = rgs tmpBwImg = im2bw(Ctest,i); tp fn tn fp

= = = =

sum(tmpBwImg sum(tmpBwImg sum(tmpBwImg sum(tmpBwImg

== == == ==

1 0 0 1

& & & &

testingAns testingAns testingAns testingAns

==1); ==1); ==0); ==0);

sensitivity = [sensitivity tp/(tp+fn)]; %true positive rate specificity = [specificity tn/(tn+fp)]; %true negative rate end

% calculate auc. [fprSort, fprSortInd] = sort([1-specificity],'ascend');


auc = trapz([0 fprSort 1],[0 sensitivity(fprSortInd) 1]); title(sprintf('ROC curve, AUC: %1.2f',auc)); % get optimal threshold by maximizing Youden's index [trsh, thInd] = max(sensitivity + specificity - 1); th = rgs(thInd); end

File pca.m function [ dataHasilPCA, indeksPCA ] = pca( data, jmlPC) % IMPLEMENTASI ALGORITMA PCA % 1. Matriks X adalah hasil pengurangan rata-rata dari setiap dimensi data pada matriks data. [jmlBaris,jmlKolom] = size(data); rerataData = mean(data); X=data; for i=1:jmlBaris for j=1:jmlKolom X(i,j)=data(i,j)-rerataData(j); end end % 2. Hitung covariance matrix dari matriks X. Cx=cov(X); % Cx=X'*X; % Cx = 1 / (jmlKolom-1) * X * X'; % 3. Hitung eigenvector dan eigenvalue dari covariance matrix. % [eigenvector, eigenvalue] = eig(dataCov); [eigenvector,eigenvalue]=eig(Cx); % [eigenvector, eigenvalue] = eig(cov(dataCov)); % 4. Pilih component dan bentuk vector feature dan principal component dari % eigenvector yang memiliki eigenvalue paling besar diambil (decreasing order). % D2=diag(sort(diag(eigenvalue),'descend')); eigenvalue=diag(eigenvalue); [~, indeks]=sort(eigenvalue,'descend'); % eigenvalue = eigenvalue(indeks); featureVector=eigenvector(:,indeks); % 5. Menurunkan data set yang baru. % dataBaru = featureVector * X; dataBaru = X*featureVector; % assignin('base','X',X); % assignin('base','featureVector',featureVector);


% jmlPC = jumlah principal component yang ingin digunakan if jmlPC==0 [jmlIndeks,~]=size(indeks); indeksPCA=indeks; dataHasilPCA=dataBaru(:,1:jmlIndeks); else indeksPCA=indeks(1:jmlPC); dataHasilPCA = dataBaru(:,1:jmlPC); end end

File svm.m function [kelas_latih, kelas_uji_hasil]= svm( data,pc,option) %UNTITLED2 Summary of this function goes here % Detailed explanation goes here [m,n]=size(data); kelas = data(:,1); att = data(:,2:end); if option == 1 % [~,att,~]=princomp(att); [ att, ~ ] = pca( att, pc); % att=zscore(att); save ('dataPCA.mat','att'); end

kelas1 kelas2 kelas3 kelas4

= = = =

1:25; 26:50; 51:75; 76:100;

data_latih = att; %mengganti label kelas dengan nomor indeks kelas kelas_1 = double(ismember(kelas, 0)); kelas_2 = double(ismember(kelas, 1)); kelas_3 = double(ismember(kelas, 2)); kelas_4 = double(ismember(kelas, 3)); kelas_latih = [kelas_1 kelas_2 kelas_3 kelas_4]; [a, kelas_latih] = max(kelas_latih'); kelas_latih = kelas_latih'; %membuat klasifikator 1 kelas_latih_1_1 = kelas_1; kelas_latih_1_0 = kelas_2 + kelas_3 + kelas_4; kelas_latih_1 = [kelas_latih_1_1 kelas_latih_1_0];


[a1, kelas_latih_1] = max(kelas_latih_1'); kelas_latih_1 = kelas_latih_1'; kelas_latih_1 = 2-kelas_latih_1; %membuat model klasifikasi fungsi_kernel = 'Polynomial'; % fungsi_kernel = 'Quadratic'; % fungsi_kernel = 'Linear'; % nilai_order = 2; SVMStruct_1 = svmtrain(data_latih, kelas_latih_1, 'Kernel_Function', fungsi_kernel, 'showplot', true); % SVMStruct_1 = svmtrain(data_latih, kelas_latih_1, 'Kernel_Function', fungsi_kernel,'POLYORDER',nilai_order,'showplot', true); % RBFSigmaValue = 1; % SVMStruct_1 = svmtrain(data_latih, kelas_latih_1, 'RBF_Sigma',RBFSigmaValue, 'showplot', true); % method='LS'; % method='SMO'; % method='QP'; % SVMStruct_1 = svmtrain(data_latih, kelas_latih_1,'METHOD', method, 'showplot', true); % % % display(['Klasifikator 1']); Support_Vector_1 = SVMStruct_1.SupportVectors; Index_Support_Vector_1 = SVMStruct_1.SupportVectorIndices; % % display(['Index Support Vector 1']); Index_Support_Vector_1'; Data_Support_Vector_1 = data_latih(Index_Support_Vector_1,:); Alpha_1 = SVMStruct_1.Alpha; % % display(['Alpha']); Alpha_1'; Bias_1 = SVMStruct_1.Bias; %membuat klasifikator 2 kelas_latih_2_1 = kelas_1 + kelas_3 +kelas_4; kelas_latih_2_0 = kelas_2; kelas_latih_2 = [kelas_latih_2_1 kelas_latih_2_0]; [a2, kelas_latih_2] = max(kelas_latih_2'); kelas_latih_2 = kelas_latih_2'; kelas_latih_2 = 2-kelas_latih_2; %membuat model klasifikasi fungsi_kernel = 'Polynomial'; % fungsi_kernel = 'Quadratic'; % fungsi_kernel = 'Linear'; % nilai_order = 2; SVMStruct_2 = svmtrain(data_latih, kelas_latih_2, 'Kernel_Function', fungsi_kernel, 'showplot', true); % SVMStruct_2 = svmtrain(data_latih, kelas_latih_2, 'Kernel_Function', fungsi_kernel,'POLYORDER',nilai_order,'showplot', true); % RBFSigmaValue = 1; % SVMStruct_2 = svmtrain(data_latih, kelas_latih_2, 'RBF_Sigma',RBFSigmaValue, 'showplot', true); % method='LS'; % method='SMO';


% method='QP'; % SVMStruct_2 = svmtrain(data_latih, kelas_latih_2,'METHOD', method, 'showplot', true); % % display(['Klasifikator 2']); Support_Vector_2 = SVMStruct_2.SupportVectors; Index_Support_Vector_2 = SVMStruct_2.SupportVectorIndices; % % % display(['Index Support Vector 2']); Index_Support_Vector_2'; Data_Support_Vector_2 = data_latih(Index_Support_Vector_2,:); Alpha_2 = SVMStruct_2.Alpha; % % % display(['Alpha 2']); Alpha_2'; Bias_2 = SVMStruct_2.Bias; %membuat klasifikator 3 kelas_latih_3_1 = kelas_1 + kelas_2 + kelas_4; kelas_latih_3_0 = kelas_3; kelas_latih_3 = [kelas_latih_3_1 kelas_latih_3_0]; [a1, kelas_latih_3] = max(kelas_latih_3'); kelas_latih_3 = kelas_latih_3'; kelas_latih_3 = 2-kelas_latih_3; %membuat model klasifikasi fungsi_kernel = 'Polynomial'; % fungsi_kernel = 'Quadratic'; % fungsi_kernel = 'Linear'; % nilai_order = 2; SVMStruct_3 = svmtrain(data_latih, kelas_latih_3, 'Kernel_Function', fungsi_kernel, 'showplot', true); % SVMStruct_3 = svmtrain(data_latih, kelas_latih_3, 'Kernel_Function', fungsi_kernel,'POLYORDER',nilai_order,'showplot', true); % RBFSigmaValue = 1; % SVMStruct_3 = svmtrain(data_latih, kelas_latih_3, 'RBF_Sigma',RBFSigmaValue, 'showplot', true); % method='LS'; % method='SMO'; % method='QP'; % SVMStruct_3 = svmtrain(data_latih, kelas_latih_3,'METHOD', method, 'showplot', true); % % % display(['Klasifikator 3']); Support_Vector_3 = SVMStruct_3.SupportVectors; Index_Support_Vector_3 = SVMStruct_3.SupportVectorIndices; % % % display(['Index Support Vector 3']); Index_Support_Vector_3'; Data_Support_Vector_3 = data_latih(Index_Support_Vector_3,:); Alpha_3 = SVMStruct_3.Alpha; % % % display(['Alpha 3']); Alpha_3'; Bias_3 = SVMStruct_3.Bias; %membuat klasifikator 4 kelas_latih_4_1 = kelas_1 + kelas_2 + kelas_3; kelas_latih_4_0 = kelas_4; kelas_latih_4 = [kelas_latih_4_1 kelas_latih_4_0]; [a1, kelas_latih_4] = max(kelas_latih_4');


kelas_latih_4 = kelas_latih_4'; kelas_latih_4 = 2-kelas_latih_4; %membuat model klasifikasi fungsi_kernel = 'Polynomial'; % fungsi_kernel = 'Quadratic'; % fungsi_kernel = 'Linear'; % nilai_order = 2; SVMStruct_4 = svmtrain(data_latih, kelas_latih_4, 'Kernel_Function', fungsi_kernel, 'showplot', true); % SVMStruct_4 = svmtrain(data_latih, kelas_latih_4, 'Kernel_Function', fungsi_kernel,'POLYORDER',nilai_order,'showplot', true); % RBFSigmaValue = 1; % SVMStruct_4 = svmtrain(data_latih, kelas_latih_4, 'RBF_Sigma',RBFSigmaValue, 'showplot', true); % method='LS'; % method='SMO'; % method='QP'; % SVMStruct_4 = svmtrain(data_latih, kelas_latih_4,'METHOD', method, 'showplot', true); % % % display(['Klasifikator 4']); Support_Vector_4 = SVMStruct_4.SupportVectors; Index_Support_Vector_4 = SVMStruct_4.SupportVectorIndices; % % % display(['Index Support Vector 4']); Index_Support_Vector_4'; Data_Support_Vector_4 = data_latih(Index_Support_Vector_4,:); Alpha_4 = SVMStruct_4.Alpha; % % % display(['Alpha 4']); Alpha_4'; Bias_4 = SVMStruct_4.Bias;

%melakukan prediksi kelas_1 = [1 1 1 1]; kelas_2 = [0 0 1 1]; kelas_3 = [0 1 0 1]; kelas_4 = [0 1 1 0];

for i=1:m prediksi(1) prediksi(2) prediksi(3) prediksi(4) jarak(1) jarak(2) jarak(3) jarak(4)

= = = =

= = = =

svmclassify(SVMStruct_1,data_latih(i,:)); svmclassify(SVMStruct_2,data_latih(i,:)); svmclassify(SVMStruct_3,data_latih(i,:)); svmclassify(SVMStruct_4,data_latih(i,:));

sum(xor(prediksi, sum(xor(prediksi, sum(xor(prediksi, sum(xor(prediksi,

kelas_1)); kelas_2)); kelas_3)); kelas_4));

[a, idx_kelas] = min(jarak); kelas_uji_hasil(i) = idx_kelas;


end kelas_uji_hasil = kelas_uji_hasil'; % hasil_prediksi = confusionmat(kelas_latih, kelas_uji_hasil) % akurasi=(sum(diag(hasil_prediksi))/sum(hasil_prediksi(:)))*100; end

Class main.m function varargout = Main(varargin) % MAIN MATLAB code for Main.fig % MAIN, by itself, creates a new MAIN or raises the existing % singleton*. % % H = MAIN returns the handle to a new MAIN or the handle to % the existing singleton*. % % MAIN('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in MAIN.M with the given input arguments. % % MAIN('Property','Value',...) creates a new MAIN or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before Main_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to Main_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help Main % Last Modified by GUIDE v2.5 27-Aug-2015 18:27:45 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Main_OpeningFcn, ... 'gui_OutputFcn', @Main_OutputFcn, ... 'gui_LayoutFcn', [] , ...


'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before Main is made visible. function Main_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Main (see VARARGIN) % Choose default command line output for Main handles.output = hObject; clc; warning off; set(handles.confMatriks,'Data', []); set(handles.confMatriks,'ColumnWidth',{30}); set(handles.txtNmFile,'String','Nama File'); axes(handles.axesIcon); imshow('icons\logoUSD.png'); axes(handles.axImg); imshow('icons\bolaMata.jpg'); axes(handles.axbwImg); imshow('icons\bolaMata.jpg'); axes(handles.axDiuji); imshow('icons\bolaMata.jpg'); axes(handles.axImgUji); imshow('icons\bolaMata.jpg'); axes(handles.axbwImgUji); imshow('icons\bolaMata.jpg'); % Update handles structure guidata(hObject, handles); % UIWAIT makes Main wait for user response (see UIRESUME) % uiwait(handles.figure1);


% --- Outputs from this function are returned to the command line. function varargout = Main_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in btnProses. function btnProses_Callback(hObject, eventdata, handles) % hObject handle to btnProses (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; set(handles.confMatriks,'Data', []); set(handles.confMatriks,'ColumnWidth',{30}); set(handles.txtNmFile,'String','Nama File'); axes(handles.axesIcon); imshow('icons\logoUSD.png'); axes(handles.axImg); imshow('icons\bolaMata.jpg'); Nambang=str2double(get(handles.Nambang,'String')); n=0; m=1; bHasil=[]; class=[]; for i=1:4 folder=strcat('dataFoto\GRADE',num2str(n),'\'); for j=1:25 file = strcat(folder,'grade',num2str(n),' (',num2str(j),').tif'); % Tampilkan nama file yang sedang diproses set(handles.txtNmFile,'String',strcat('grade',num2str(n),' (',num2str(j),').tif')); data=imread(file); [Img,bwImg] = preprosess( Nambang,data); % Tampilkan gambar hasil preprocessing axes(handles.axImg) imshow(Img) axes(handles.axbwImg)


imshow(bwImg) pause(0.01);

[b]=ekstraksi( Img,bwImg); b=b'; bHasil=[bHasil;b]; class(m)=n; m=m+1; end n=n+1; end class=class'; bHasil=[class,bHasil];

save('hasilPreprocessing.mat','bHasil'); uiwait(msgbox('Preprocessing sudah selesai.','Peringatan','modal'));

% --- Executes on button press in btnKlasifikasi. function btnKlasifikasi_Callback(hObject, eventdata, handles) % hObject handle to btnKlasifikasi (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; set(handles.confMatriks,'Data', []); set(handles.confMatriks,'ColumnWidth',{30}); load('hasilPreprocessing.mat','bHasil'); pc=21; data=bHasil; option=1; assignin('base','data',data); [kelas_latih, kelas_uji_hasil]= svm( data,pc,option);

% assignin('base','kelas_latih',kelas_latih); % % assignin('base','kelas_uji_hasil',kelas_uji_hasil);

hasil_prediksi = confusionmat(kelas_latih, kelas_uji_hasil); akurasi=(sum(diag(hasil_prediksi))/sum(hasil_prediksi(:)))*100;


assignin('base','hasil_prediksi',hasil_prediksi); assignin('base','akurasi',akurasi); % load hasil_prediksi; [hasil_prediksi]=warnaConfusion(hObject, eventdata, handles,hasil_prediksi); % Menampilkan confius matriks set(handles.confMatriks,'Data', hasil_prediksi); set(handles.confMatriks,'ColumnWidth',{30}); set(handles.confMatriks,'Visible','on');

%menampilkan hasil akurasi % load akurasi; set(handles.textHasilAkurasi,'String',strcat(num2str (akurasi),'%')); set(handles.textHasilAkurasi,'Visible','on');

function [dataConfMat]=warnaConfusion(hObject, eventdata, handles,dataConfMat) % hObject handle to BtnFigureTable (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hint: get(hObject,'Value') returns toggle state of BtnFigureTable X=dataConfMat; % Konversi matrix dari nomor ke cell array string XX = reshape(strtrim(cellstr(num2str(X(:)))), size(X)); % Penentuan yang akan diberi warna dengan fotmat html [~,I] = max(X); for i=1:size(I,2) XX(I(i),i) = strcat(... '<span style="color: #429808; font-weight: bold;font-size:14;">', ... XX(I(i),i), ... '

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Recommend Documents