BAB 3 ANALISIS DAN PERANCANGAN
Bab ini membahas tentang implementasi metode Modified k-Nearest Neighbor dalam identifikasi diabetic retinopathy. Bab ini juga membahas tentang data yang digunakan,
pre-processing, optic disc elimination, dan feature extraction yang dilakukan terhadap setiap data.
3.1. Arsitektur Umum
Metode yang diajukan untuk mengidentifikasi diabetic retinopathy pada penelitian ini terdiri dari beberapa langkah. Langkah-langkah yang dimaksud adalah sebagai
berikut: pengumpulan citra retina normal dan citra retina terdeteksi diabetic retinopathy yang akan digunakan sebagai data pelatihan dan data pengujian;
pemotongan citra retina cropping untuk mengurangi background hitam pada citra; memperkecil ukuran citra scaling; pembentukan citra green channel; peningkatan
kualitas citra menggunakan contrast stretching; pembentukan citra biner; penipisan piksel pada objek erosion; pembentukan citra negatif inversion; perkalian citra;
menghitung 6 fitur Haralick pada matriks kookurensi yang telah dibuat; dan klasifikasi menggunakan Modified k-Nearest Neighbor. Setelah langkah-langkah
tersebut dilakukan maka akan didapat hasil identifikasi diabetic retinopathy. Setiap tahapan yang dilakukan akan dijelaskan secara lebih terperinci pada bagian-bagian
selanjutnya. Adapun arsitektur umum yang menggambarkan metode pada penelitian ini ditunjukkan pada Gambar 3.1.
Universitas Sumatera Utara
Gambar 3.1. Arsitektur umum dari metode yang diajukan
Universitas Sumatera Utara
3.2. Dataset
Data yang digunakan dalam penelitian ini adalah citra retina yang diperoleh dari basis data MESSIDOR Methods for Evaluating Segmentation and Indexing techniques
Dedicated to Retinal Ophthalmology. Data citra retina dikumpulkan dari Service Ophtalmologie Lariboisière sejak Oktober 2005 hingga Mei 2006. Seluruh data
berjumlah 225 citra, dimana pembagian data ditunjukkan pada Tabel 3.1.
Tabel 3.1. Pembagian citra yang digunakan dalam penelitian No.
Klasifikasi Diabetic Retinopathy
Jumlah Data
1. Normal
99 2.
Diabetic retinopathy 126
Citra yang telah dikumpulkan kemudian dibagi menjadi dua dataset, yakni: training dataset atau dataset pelatihan yang akan digunakan sebagai pembanding
dalam klasifikasi dan testing dataset atau dataset pengujian yang digunakan untuk mengetahui akurasi dari proses klasifikasi. Dataset pelatihan berjumlah 90 dari data
keseluruhan dan dataset pengujian berjumlah 10 dari data keseluruhan. Pembagian seluruh citra menjadi dataset pelatihan dan dataset pengujian dilakukan secara acak.
Detail pembagian dataset dapat dilihat pada Tabel 3.2 dan 3.3.
Tabel 3.2. Pembagian training dataset
No. Klasifikasi
Diabetic Retinopathy Jumlah Data
1. Normal
89 2.
Diabetic retinopathy 114
Tabel 3.3. Pembagian testing dataset
No. Klasifikasi
Diabetic Retinopathy Jumlah Data
1. Normal
10 2.
Diabetic retinopathy 12
Universitas Sumatera Utara
3.3. Pre-processing
