3.5.1. Preprocessing
Penelitian ini menggunakan ini menggunakan masukan berupa data citra, oleh karena itu preprocessing merupakan bagian penting. Sebelum diolah ke tahap
lanjutan, data citra yang diinput akan mengalami preprocessing guna mempermudah tahapan penelitian berikutnya. Preprocessing yang akan diterapkan
pada citra adalah grayscale dan resize. Namun sebelum melakukan kedua proses tersebut, citra akan dicrop secara manual untuk mendapatkan optik disk dari citra
fundus reina.
Gambar 3.5 Crop manual citra retina untuk mendapatkan daerah optik disk
Gambar 3.5 adalah proses untuk mendapatkan daerah optik disk dari citra fundus retina dengan cara crop manual pada citra asli. Proses ini juga dapat
disebut sebagai proses Region of Interest ROI dimana pada proses ini akan diambil area penting dari suatu citra. Area penting yang dimaksudkan pada citra
funtus retina adalah area optik disk. Aplikasi yang digunakan untuk crop adalah Paint pada windows 7.
Gambar 3.6 Tahapan preprocessing dari; acrop manual; bkonversi
menjadi citra grayscale; cdan resize citra
Dari gambar 3.5 dapat dilkihat alur citra berwarna, menjadi citra keabuan, dan citra keabuan yang mengalami resize. Untuk tahap grayscaling dan resize
sendiri menggunakan fungsi matlab im2bw untuk grayscaling dan resize untuk resize. Resize digunakan agar setiap citra memiliki dimensi yang sama yaitu 100 x
100. Ukuran resize dapat disesuaikan pada saat identifikasi dan hitung akurasi dataset.
Citra hasil resize akan digunakan untuk tahap selanjutnya yaitu pembuatan matrik GLCM dan menghitung nilai statistik dari matrik GLCM tersebut. Proses
grayscaling sangat penting melakukan tahap ekstraksi ciri. Karena ekstraksi ciri
GLCM akan menghitung kookurensi atau hubungan tingkat keabuan suatu pixel dengan pixel tetangganya.
3.5.2. Ekstraksi Ciri GLCM
Langkah berikut setelah preprocessing adalah ekstraksi ciri. Data input yang digunakan adalah citra hasil preprocessing. Pada langkah ini metode yang
digunakan adalah GLCM Gray Level Co-occurrence Matrix. Matriks GLCM merepresentasi hubungan antar pixel dengan pixel tetangga. Alur dari metode ini
dapat dilihat pada diagram berikut: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tentukan nilai d, θ,
dan ukuran matriks GLCM
Pembentukan matriks GLCM
Hitung ciri statistik kontras, korelasi,
energi, dan homogenitas
Citra hasil preprosessing
Ciri statistik
Gambar 3.7 Diagram Blok Alur Pembentukan GLCM
Gambar 3.7 menunjukan alur dari citra hasil preprocessing digunakan sebagai masukan dalam proses pembuatan matrik kookurensi. Hasil dari
preprocessing berupa matriks. Hitung jumlah tingkat keabuan yang ada pada citra hasil preprocessing untuk menentukan ukuran matrik GLCM. Kemudian tentukan
besar jarak spasial d dan arah θ untuk mendapatkan nilai dari hubungn antar pixel.
Setelah mendapatkan matrik GLCM, hitunglah ciri statistiknya seperti kontras, korelasi, energi, dan homogenitas. Untuk menghitung data statistik dapat dilihat
pada rumus kontras 2.1, korelasi 2.2, energi 2.3, dan homogenitas 2.4. Ciri stasstatistik inilah yang akan digunakan untuk identifikasi. Untuk langkah-langkah
menghitung setiap ciri sendiri akan dijelaskan sebagai berikut. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
a. Kontras
Mulai
Selesai [r, c]=sizeglcm
kontras=0, i=1, j=1
i=r?
j=c?
kontras=kontras+ i-j2glcmi,j
j=j+1 i=i+1
ya ya
tidak kontras=kontras
j=1 tidak
Gambar 3.8. Alur menghitung kontras
Gambar 3.8 merupakan flowchart untuk menghitung kontras. Dalam flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris
dikali kolom. Selama looping itulah sistem akan menghitung nilai kontrasnya. Hasil dari perhitungan ini lah yang akan direturn sebagai ciri kontras kontras. Rumus dari
kontras sendiri dapat dilihat pada rumus 2.1. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
b. Korelasi
Mulai
Selesai [r, c]=sizeglcm
korelasi=0, i=1, j=1
i=r?
j=c?
korelasi=korelasi+i-averageglcmi,: j-averageglcm:,jglcmi,j
standarDeviasiglcmi,: standarDeviasiglcm:,j
j=j+1 i=i+1
ya ya
tidak korelasi=korelasi
j=1 tidak
Gambar 3.9. Alur menghitung korelasi
Gambar 3.9 merupakan flowchart untuk menghitung korelasi. Dalam flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris
dikali kolom. Selama looping itulah sistem akan menghitung nilai korelasi. Hasil dari perhitungan ini lah yang akan direturn sebagai ciri kontras korelasi. Rumus dari
korelas sendiri dapat dilihat pada rumus 2.2. Untuk standar deviasi dan average dapat dilihat pada pseudocode:
c. Energi
Mulai
Selesai [r, c]=sizeglcm
energi=0, i=1, j=1
i=r?
j=c?
energi=energi+ glcmi,j2
j=j+1 i=i+1
ya ya
tidak energi=energi
j=1 tidak
Gambar 3.10. Alur menghitung energi
Gambar 3.10 merupakan flowchart untuk menghitung energi. Dalam flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris
dikali kolom. Selama looping itulah sistem akan menghitung nilai energi. Hasil dari perhitungan ini lah yang akan direturn sebagai ciri kontras energi. Rumus dari
kontras sendiri dapat dilihat pada rumus 2.3. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
d. Homogenitas
Mulai
Selesai [r, c]=sizeglcm
homogenitas=0 , i=1, j=1
i=r?
j=c?
homogenitas=homogenitas+ glcmi,j1+absi-j
j=j+1 i=i+1
ya ya
tidak homogenitas=homogenitas
j=1 tidak
Gambar3.11. Alur menghitung homogenitas
Gambar 3.11 merupakan flowchart untuk menghitung homogenitas. Dalam flowcart tersebut dapat dilihat adanya looping. Looping dilakukan sebanyak baris
dikali kolom. Selama looping itulah sistem akan menghitung nilai homogenitasnya. Hasil dari perhitungan ini lah yang akan direturn sebagai ciri kontras homogenitas.
Rumus dari homogenitas sendiri dapat dilihat pada rumus 2.4. Pada fungsi perhitungan homogenitas pada Gambar 3.11 terlihat ada fungsi abs. Fungsi abs
adalah fungsi absolut atau mutlak. Artinya fungsi yang digunakan untuk mendapatkan nilai postitif dari suatu bilangan. Fungsi absolut yang digunakan pada
penelitian ini menggunakan fungsi dari matlab. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3.5.3. Identifikasi K-Nearest Neighbor