BAB 1 PENDAHULUAN
1.1. Latar Belakang
Diabetic retinopathy merupakan komplikasi mikrovaskular penyakit diabetes melitus yang menyerang pembuluh darah di retina yang menyebabkan penurunan fungsi
penglihatan hingga kebutaan Khan et al., 2011. Penyakit ini biasanya menyerang seseorang yang telah menderita diabetes melitus tipe 1 atau tipe 2 selama lebih dari 15
tahun. Diabetic retinopathy ditandai dengan munculnya titik-titik pada pembuluh darah retina mikroaneurisma, pendarahan akibat pecahnya pembuluh darah, dan
munculnya bercak kekuningan berupa lipid eksudat pada retina. Pada kasus yang lebih berat, terjadi pembentukan pembuluh darah baru yang abnormal sangat tipis dan
mudah pecah pada retina yang disebut neovaskularisasi. Salah satu cara yang digunakan dalam identifikasi diabetic retinopathy
adalah pemeriksaan pada citra retina yang didapat dari kamera fundus. Akan tetapi, pemeriksaan pada citra retina masih dilakukan secara manual oleh dokter mata Putra
et al., 2010. Pemeriksaan manual membutuhkan waktu yang lama dan keberadaan mikroaneurisma, pendarahan, eksudat, dan neovaskularisasi sulit untuk dilihat secara
langsung, sehingga memungkinkan terjadinya kesalahan identifikasi yang berakibat pada kesalahan penanganan pada penderita diabetic retinopathy.
Penelitian yang memanfaatkan citra retina dalam mengidentifikasi diabetic retinopathy sudah dilakukan dengan membandingkan antara metode Support Vector
Machine dengan k-Nearest Neighbor sebagai classifier Setiawan, 2012. Penelitian selanjutnya menggunakan Radial Basis Function untuk mengidentifikasi diabetic
retinopathy. Pada penelitian ini, citra retina mengalami proses segmentasi terlebih dahulu
untuk mengetahui
keberadaan eksudat
dan mikroaneurisma
Vajayamadheswaran et al., 2011. Identifikasi diabetic retinopathy juga pernah
Universitas Sumatera Utara
dilakukan dengan menggunakan 3D-GLCM Projection dan jaringan saraf tiruan Dillak et al., 2013.
Pada penelitian kali ini, penulis mengajukan metode Modified k-Nearest Neighbour MkNN. MkNN merupakan pengembangan dari metode k-Nearest
Neighbour kNN. MkNN memberi label kelas pada data pengujian berdasarkan k data pelatihan yang tervalidasi dan bobot dari masing-masing data pelatihan tersebut,
bukan hanya berdasarkan jarak terdekat seperti yang dilakukan pada kNN. MkNN memberikan kesempatan yang lebih besar bagi data pelatihan yang memiliki validitas
yang tinggi, sehingga klasifikasi tidak terlalu terpengaruh pada data yang kurang stabil atau memiliki validitas yang rendah. Validasi dan bobot yang dimiliki oleh MkNN
mampu mengatasi kelemahan dari klasifikasi berdasarkan jarak terdekat Parvin, 2008. Terdapat dua tahap dalam MkNN. Tahap yang pertama adalah menghitung
validitas dari masing-masing data pelatihan. Tahap selanjutnya adalah menghitung bobot pada k data pelatihan yang terdekat dengan data pengujian. MkNN telah
digunakan untuk mendeteksi ancaman pada Collaborative Information System Singh et al., 2014 dan pencarian citra pada Content Based Image Retrieval System Dharani
et al., 2013. Berdasarkan latar belakang diatas, maka penulis mengajukan proposal
penelitian dengan judul “IDENTIFIKASI DIABETIC RETINOPATHY MELALUI CITRA RETINA MENGGUNAKAN MODIFIED K-NEAREST NEIGHBOR
“.
1.2. Rumusan Masalah
Kategori