7 Berikut ini ditampilkan beberapa hasil dari analisis fraktal untuk
citra retina normal:
Tabel 4.4 Sampel Hasil Analisis Fraktal untuk Citra Retina Normal
Citra fd
1.4484 1.5247
1.5082 1.4302
L a
c u
n a
r i
t
y 2
1
11.034 9.0509
8.1649 10.1949
2
2
9.0095 6.7333
6.4779 8.5226
2
3
6.1535 4.0804
4.2654 5.9469
2
4
3.3759 2.0762
2.1751 3.2241
2
5
1.7863 1.0300
0.9792 1.5624
2
6
1.0063 0.5104
0.4217 0.7874
2
7
0.4901 0.2186
0.1394 0.3915
2
8
0.1643 0.0966
0.0131 0.1581
2
9
0.0013 0.0069
0.0011 0.0044
Di bawah ini ditampilkan nilai rata-rata dimensi fractal dan lacunarity untuk citra retina normal dan retinopati hipertensi.
Tabel 4.5 Nilai Rata-rata Dimensi Fraktal dan Lacunarity
Retina Normal
Retinopati Hipertensi
FD 1.48784
1.552076
L a
c u
n a
r i
t
y 2
1
9.731643 7.878516
2
2
7.72954 6.141145
2
3
5.105688 3.949537
2
4
2.72909 2.021429
2
5
1.390628 1.008944
2
6
0.725257 0.517033
2
7
0.33696 0.219349
2
8
0.110541 0.055314
2
9
0.003749 0.002738
4.3 Klasifikasi dan Analisis Hasil
Dari hasil analisis fraktal yang berupa dimensi fraktal dan lacunarity tersebut, kemudian dilakukan klasifikasi hasil
menggunakan SVM. Proses pelatihan training dan pengujian testing dilakukan menggunakan metode k-fold cross validation
dengann nilai k = 5. Di bawah ini ditampilkan hasil pengujian dengan menggunakan 3 kernel yang berbeda :
Tabel 4.7 Hasil Pengujian menggunakan Kernel Linear
Ciri TP
FP TN
FN Acc
Prec Sensi
Spesi AUC
fd 19
9 16
6 0.7
0.68 0.76
0.64 0.7
fd_lac1 19
9 16
6 0.7
0.68 0.76
0.64 0.72
fd_lac2 18
9 16
7 0.68
0.67 0.72
0.64 0.72
fd_lac3 18
8 17
7 0.7
0.69 0.72
0.68 0.72
fd_lac4 18
8 17
7 0.7
0.69 0.72
0.68 0.68
fd_lac5 19
9 16
6 0.7
0.68 0.76
0.64 0.7
fd_lac6 19
10 15
6 0.68
0.66 0.76
0.6 0.7
fd_lac7 19
10 15
6 0.68
0.66 0.76
0.6 0.72
fd_lac8 19
10 15
6 0.68
0.66 0.76
0.6 0.7
fd_lac9 19
9 16
6 0.7
0.68 0.76
0.64 0.72
all 17
10 15
8 0.64
0.63 0.68
0.6 0.7
Tabel 4.8 Hasil Pengujian menggunakan Kernel Polynomial
Ciri TP
FP TN
FN Acc
Prec Sensi
Spesi AUC
fd 17
9 16
8 0.66
60.65 0.68
0.64 0.72
fd_lac1 15
1 24
10 0.78
0.94 0.6
0.96 0.74
fd_lac2 14
25 11
0.78 1
0.56 1
0.76 fd_lac3
16 3
22 9
0.76 0.84
0.64 0.88
0.74 fd_lac4
16 6
19 9
0.7 0.73
0.64 0.76
0.62 fd_lac5
18 5
20 7
0.76 0.78
0.72 0.8
0.7 fd_lac6
18 7
18 7
0.72 0.72
0.72 0.72
0.7 fd_lac7
20 6
19 5
0.78 0.77
0.8 0.76
0.76 fd_lac8
16 11
14 9
0.6 0.59
0.64 0.56
0.64 fd_lac9
18 8
17 7
0.7 0.69
0.72 0.68
0.72 all
15 10
15 10
0.6 0.6
0.6 0.6
0.66
Tabel 4.9 Hasil Pengujian menggunakan Kernel Radial
Ciri TP
FP TN
FN Acc
Prec Sensi
Spesi AUC
fd 16
8 17
9 0.66
0.67 0.64
0.68 0.7
fd_lac1 14
3 22
11 0.72
0.82 0.56
0.88 0.72
fd_lac2 14
5 20
11 0.68
0.74 0.56
0.8 0.7
fd_lac3 15
4 21
10 0.72
0.79 0.6
0.84 0.68
fd_lac4 16
6 19
9 0.7
0.73 0.64
0.76 0.66
fd_lac5 17
8 17
8 0.68
0.68 0.68
0.68 0.7
fd_lac6 18
8 17
7 0.7
0.69 0.72
0.68 0.74
fd_lac7 18
7 18
7 0.72
0.72 0.72
0.72 0.76
fd_lac8 15
8 17
10 0.64
0.65 0.6
0.68 0.72
fd_lac9 18
9 16
7 0.68
0.67 0.72
0.64 0.7
all 14
1 24
11 0.76
0.93 0.56
0.96 0.72
Keterangan Tabel 4.7, 4.8, dan 4.9
fd = dimensi fraktal fd_lac1 = dimensi fraktal dan lacunarity dengan ukuran box 2
1
fd_lac2 = dimensi fraktal dan lacunarity dengan ukuran box 2
2
fd_lac3 = dimensi fraktal dan lacunarity dengan ukuran box 2
3
fd_lac4 = dimensi fraktal dan lacunarity dengan ukuran box 2
4
fd_lac5 = dimensi fraktal dan lacunarity dengan ukuran box 2
5
fd_lac6 = dimensi fraktal dan lacunarity dengan ukuran box 2
6
fd_lac7 = dimensi fraktal dan lacunarity dengan ukuran box 2
7
fd_lac8 = dimensi fraktal dan lacunarity dengan ukuran box 2
8
fd_lac9 = dimensi fraktal dan lacunarity dengan ukuran box 2
9
Acc = Accuracy Prec = Precision
commit to user
8 Sensi = Sensitifity
Spesi = Specificity AUC = Area Under Curve
Nilai maximal AUC adalah 1 yang menunjukkan sebagai classifier sempurna. Semakin tinggi nilai AUC mengindikasikan semakin
baik pula kinerja classifier.
4.4 Pembahasan
