Tabel 3.4. Fitur Haralick lanjutan
No. Fitur
Arah Nilai Fitur
20. Variance 135
326.96121
21. Correlation
0.95689 22. Correlation
45
0.93703 23. Correlation
90
0.96468 24. Correlation
135
0.93799
3.6. Klasifikasi
24 fitur yang didapat dari feature extraction menggunakan GLCM selanjutnya akan digunakan dalam proses klasifikasi menggunakan Modified k-Nearest Neighbor
MkNN. Proses klasifikasi pada MkNN dilakukan dengan cara membandingkan data pengujian dengan data pelatihan. Sebelum proses klasifikasi dilakukan, semua data
pelatihan harus divalidasi terlebih dahulu. Proses validasi data pelatihan pada MkNN adalah sebagai berikut.
1. Menentukan nilai H sebesar 10 dari jumlah data pelatihan, yaitu 20.
2. Masukkan data pelatihan pertama.
3. Menghitung jarak antara data pelatihan pertama dengan data pelatihan lainnya
menggunakan persamaan 2.16. 4.
Mengambil H buah data pelatihan yang memiliki jarak terdekat dengan data pelatihan pertama.
5. Menghitung validasi data pelatihan pertama menggunakan persamaan 2.17.
6. Ulangi langkah 2 hingga 5 untuk data pelatihan selanjutnya.
Setelah semua data pelatihan divalidasi, proses klasifikasi data pengujian dapat dilakukan. Proses untuk mengklasifikasi data pengujian adalah sebagai berikut.
1. Menentukan nilai k.
2. Masukkan data pengujian pertama.
3. Menghitung jarak antara data pengujian pertama dengan semua data pelatihan
menggunakan persamaan 2.16. 4.
Mengambil k buah data pelatihan yang memiliki jarak terdekat. 5.
Menghitung bobot dari masing-masing k data pelatihan dengan persamaan 2.19.
Universitas Sumatera Utara
6. Menjumlahkan bobot data pelatihan yang memiliki kelas yang sama.
7. Memberi label kelas pada data pengujian dengan label kelas yang memiliki bobot
terbesar. 8.
Ulangi langkah 2 hingga 7 untuk semua data pengujian.
3.7. Perancangan Sistem
Pada perancangan sistem akan dilakukan
3.7.1. Perancangan menu sistem
Struktur menu dalam sistem ditunjukkan pada Gambar 3.12.
Gambar 3.12. Struktur Menu Aplikasi
3.7.2. Perancangan antarmuka
Perancangan antarmuka merupakan gambaran umum tentang tampilan yang terdapat pada sistem.
1. Rancangan Tampilan Awal
Pada tampilan awal aplikasi, terdapat logo pada bagian kiri dan nama sistem pada bagian kanan. D
i bawah bagian nama sistem, terdapat tombol “Start” untuk memulai sistem. Rancangan tampilan awal ditunjukkan pada Gambar
3.13.
Universitas Sumatera Utara
Gambar 3.13. Rancangan tampilan awal aplikasi
Keterangan: a.
Tombol “Start” memungkinkan user untuk masuk ke halaman utama aplikasi.
2. Rancangan Tampilan Utama
Pada tampilan utama aplikasi, terdapat beberapa fasilitas seperti pemilihan citra retina, pemrosesan citra retina, dan hasil klasifikasi citra retina. Rancangan
tampilan utama ditunjukkan pada Gambar 3.14.
Universitas Sumatera Utara
Gambar 3.14. Rancangan tampilan utama aplikasi
Keterangan: a.
Tombol “Browse” memungkinkan user untuk memilih citra retina pada tempat penyimpanan citra. Setelah citra dipilih, maka citra akan ditampilkan
pada bagian “Input image”. b.
Tombol “Process” memungkinkan user untuk melakukan proses identifikasi diabetic retinopathy. Setelah proses identifikasi selesai, citra hasil pre-
processing, yaitu proses grayscaling, enhancement, dan optic disc elimination
akan ditampilkan pada bagian “Pre-processing”, fitur yang diambil dari ci
tra juga akan ditampilkan pada bagian “Feature Extraction”, dan hasil identifikasi akan ditampilkan pada bagian “Result”.
c. Tombol “Reset” memungkinkan user untuk menghapus citra input beserta
seluruh hasil pemrosesan. d.
Citra hasil proses grayscaling, enhancement, dan optic disc elimination memberikan fasilitas zoom kepada user untuk melihat citra dalam ukuran
yang lebih besar.
Universitas Sumatera Utara
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas hasil yang didapatkan dari implementasi metode Modified k- Nearest Neighbor MkNN untuk melakukan mengidentifikasi diabetic retinopathy
melalui citra retina dan pengujian sistem sesuai dengan analisis dan perancangan yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem