Dimana: = bobot dari data pelatihan ke-x
= validitas dati data pelatihan ke-x = jarak dari data pengujian ke data pelatihan x
5. Jumlahkan bobot data pelatihan yang memiliki kelas yang sama. Kelas dengan
bobot tertinggi merupakan kelas dari data pengujian.
2.6. Penelitian Terdahulu
Penelitian tentang identifikasi diabetic retinopathy telah dilakukan dengan menggunakan beberapa metode. Pada tahun 2012, Setiawan membandingkan kinerja
Support Vector Machine SVM dengan k-Nearest Neighbor KNN untuk mengidentifikasi diabetic retinopathy. SVM merupakan metode yang mencari
hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada ruang input dengan cara mengukur margin dari hyperplane tersebut, sedangkan KNN merupakan
metode yang mengklasifikasikan data berdasarkan data pelatihan dengan jarak yang paling dekat. Metode ektraksi fitur yang digunakan adalah Two Dimensional Linear
Discriminant Analysis 2DLDA. Akurasi yang didapat pada penelitian ini adalah 84 dengan menggunakan SVM dan 80 dengan menggunakan KNN.
Dillak et al. pada tahun 2013 menggunakan jaringan saraf tiruan dalam mengidentifikasi diabetic retinopathy. Metode ekstraksi fitur yang digunakan adalah
3D-GLCM. Eliminasi optic disc dilakukan pada citra retina untuk meningkatkan hasil akurasi. Adapun akurasi yang didapat pada penelitian ini adalah 95.
Selanjutnya pada tahun 2011, Vajayamadheswaran et al. menggunakan metode Radial Basis Function RBF untuk mengidentifikasi diabetic retinopathy.
Identifikasi dilakukan berdasarkan keberadaan eksudat dalam citra retina. Contextual Clustering digunakan untuk ektraksi fitur pada citra, yang kemudian hasilnya akan
dijadikan input pada jaringan RBF. RBF merupakan model jaringan saraf tiruan yang mentransformasi input secara nonlinear dengan menggunakan fungsi aktivasi
Gaussian pada hidden layer dan kemudian dilanjutkan dengan proses linear pada output layer. Akurasi yang didapat pada penelitian ini adalah 96. Rangkuman dari
penelitian terdahulu dapat dilihat pada Tabel 2.1.
Universitas Sumatera Utara
Tabel 2.1. Penelitian terdahulu No.
Peneliti Tahun
Metode yang digunakan Akurasi
1. Setiawan
2012 Support Vector Machine
K-Nearet Neighbor 84
80 2.
Dillak et al. 2013
Neural Network 95
3. Vajayamadheswaran et al.
2011 Radial Basis Function
96
Perbedaan penelitian yang dilakukan dengan penelitian terdahulu adalah gabungan metode yang digunakan untuk identifikasi diabetic retinopathy, yaitu Gray
Leve Cooccurrence Matrix GLCM sebagai metode ektraksi fitur dan Modified k- Nearest Neighbor MkNN sebagai metode klasifikasi. Pada proses ekstraksi fitur,
terdapat 6 fitur yang diambil dari masing-masing citra dengan jarak 1 dan arah 0 ,
45 , 90, dan 135 sehingga menghasilkan 24 fitur yang selanjutnya digunakan dalam
proses klasifikasi.
Universitas Sumatera Utara
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