3.6. Perancangan Penelitian
3.6.1. Data Training dan Data Testing
Tahapan dalam sistem ini akan dibagi menjadi 2 yaitu tahapan pembentukan data training dan pembentukan data uji. Data training merupakan hasil pengenalan
pola dari citra fundus retina yang mengalami glaukoma dan yang tidak mengalami glaukoma. Sedangkan data uji adalah citra fundus retina yang akan dibandingkan
dengan data training apakah memiliki kemiripan dengan data yang terkena glaukoma atau tidak.
Preprosesing
Ekstraksi ciri dengan GLCM
Modeling Citra fundus retina
Model
Gambar 3.13 Diagram Blok Proses pembentukan data training Gambar 3.13 merupakan alur dari proses pembentukan data training. Data
awal berupa citra fundus retina, kemudian mengalami preprocessing, dicari ciri nya, lalu di kluster berdasarkan ciri yang didapatkan yaitu mengalami glaukoma dan
yang tidak mengalami glaukoma. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Preprosesing
Ekstraksi ciri dengan GLCM
Membandingkan ciri citra dengan
KNN Citra fundus retina
Model
Hasil identifikasi Gambar 3.14 Diagram Blok Proses identifikasi citra
Gambar 3.14 merupakan proses identifikasi suatu citra fundus retina apakah citra tersebut mengalami glaukoma atau tidak dengan membandingkan citra
tersebut dengan data training menggunakan algoritma KNN kemudian sistem akan mengeluarkan hasil sesui kemiripan data yang dimasukan dengan data training.
3.6.2. Pengujian 3 fold Cross Validation
Untuk pengujian cross validation menggunakan 18 data citra sebagai dataset. Dataset kemudian akan dibagi kedalam 3 kelompok data dengan komposisi
data 6 citra untuk setiap satu kelompok data. Kelompok data ini yang akan digunakan menjadi data training dan data testing saat iterasi pengujian. Saat iterasi
pengujian, Satu kelompok data akan menjadi data testing, sedangkan dua sisanya akan menjadi data training. Komposisi dapat dilihat pada Gambar 2.7 dan tabel 2.1.
31
BAB IV IMPLEMENTASI DAN ANALISIS HASIL
Pada bab ini akan menjelaskan hasil implementasi dari ekstraksi ciri dengan metode GLCM, pengujian KNN dengan nilai k sebesar 3, 5, 7, dan 9, dan hasil
pengujian deteksi glaukoma.
4.1. Implementasi dan Hasil Ekstraksi Ciri dengan Metode GLCM
Ekstraksi ciri menggunakan metode Gray Level Co-occurrence Matrix terbagi menjadi dua bagian, yaitu tahap pembentukan GLCM atau matriks
kookurensi, dan tahap yang kedua pencarian ciri dari matrik kookurensi tersebut. Ciri yang akan dihitung dari matriks kookurensi antara lain kontras, korelasi, energi
dan homogenitas.
4.1.1. Pembentukan GLCM
Sebelum mendapatkan ciri dari suatu citra, buatlah matriks kookurensinya terlebih dahulu. Matriks kookurensi inilah yang akan yang berisi informasi tentang
hubungan antara suatu pixel dengan pixel tetangga. Langkah-langkah membuat matriks kookurensi sebagai berikut:
a. Mentukan pixel aktif dari citra
t=img; u=uniquet;
temp=zerossizet; for i=1:sizeu,1
tempt==ui=i; end
Tahap ini penting untuk menghindari pixel yang tidak aktif tari suatu citra ikut dihitung dalam pembentukan matrik kookurensi. Matrik kookurensi yang
terdapat pixel tidak aktif dapat memengaruhi perhitungan ciri, seperti pada ciri korelasi yang akan menghasilkan nilai NaNNot a Number. Nilai NaN didapatkan