Identifikasi Penyakit Hypertensive Retinopathy Melalui Citra Fundus Retina Menggunakan Probabilistic Neural Network

65

DAFTAR PUSTAKA

Badii, Chitra. 2016. Making Sense of Hypertensive Retinopathy. http://www.healthline.com/ . Diakses 8 September 2016.

Bouman, C.A. 2015. Digital Image Processing. https://engineering.purdue.edu/~bouman/ece637/.../ConnectComp.pdf. Diakses 4 Januari 2017.

Cavallari, M., Stamile, C., Umeton, R., Calimeri, F., Orzi, F. 2015. Novel Method for Automated Analysis of Retinal Images: Results in Subjects with Hypertensive Retinopathy and CADASIL. BioMed Research International 2015.

Chairani, R. 2016. Identifikasi Kesuburan Pria Melalui Kelainan Sperma Berdasarkan Morfologi (Teratospermia) Menggunakan Invariant Moment. Skripsi. Universitas Sumatera Utara.

Chudasama, D., Patel, T., Joshi, S. 2015. Image Segmentation using Morphological Operation. International Journal of Computer Application 117(18) : 16-19. Dataset Structered Analysis of the Retina http://www.ces.clemson.edu/~ahoover/stare/

Diakses 22 januari 2016.

Downie, L.E., Hodgson, L.A., D’Sylva, C., Mclntosh, R.L., Rogers, S.L., Connel, P. & Wong, T.Y. 2013. Hypertensive retinopathy: comparing the Keith-Wagener-Barker to a simplified classification. Journal of Hypertension 31(5): 960-965. Fatihah, N. 2016. Identifikasi Jenis Kayu Tropis Menggunakan Backpropagation

Neural Network. Skripsi. Universitas Sumatera Utara.

Febriani, A. 2014. Identifikasi Diabetic Retinopathy Melalui Citra Retina Menggunakan Modified K-Nearest Neighbor. Skripsi. Universitas Sumatera Utara.

Hussain, M.A., Mamun, A.A., Reid, C., Huxley, R.R. 2016. Prevalence, Awareness, Treatment and Control of Hypertension in Indonesian Adults Aged

≥ 40 Years: Findings from the Indonesia Family Life Survey (IFLS). PLoS ONE 11(8) : e0160922.

Hutson, N., Adkinson, J., Sidiropoulos, P., Vlachos, I., Iasemidis, L. 2016. Classification of Ocular Disorders Based on Fractal and Invariant Moment Analysis of Retinal Fundus Images. Southern Biomedical Engineering Conference, pp : 57-58.

Joshi, S., Karule, P.T. 2012. Retinal Blood Vessel Segmentation. International Journal of Engineering and Innovative Technology 1(3) : 175-178.

Kaur, R., Kaur, S. 2013. Object Extraction and Boundary Tracing Algorithms for Digital Image Processing: Comparative Analysis: A Review. International Journal of Advanced Research in Computer Science and Sofware Engineering 3(5):263-268.

Kementrian Kesehatan. 2013. Laporan Hasil Riset Kesehatan Dasar, RISKESDAS. Indonesia. Jakarta.

Kementrian Kesehatan. 2014. Infodatin Hipertensi. Pusat Data dan Informasi. Indonesia. Jakarta.

Kisan, S., Mishra, S., Mishra, S. A Survey on Applications of Fractal Dimension upon Various Image Processing Applications. International Journal of Advanced Research in Computer and Communication Engineering 5(9): 44-47

Lotfi, A., Benyettou, A. 2014. A reduced probabilistic neural network for the classi_cation of large databases. Turkish Journal of Electrical Engineering & Computer Sciences 22 : 979-989.

Mehta, K., Kaur, N. 2016. An Enhanced Segmentation Technique for Blood Vessel in Retinal Images. International Journal of Computer Application 150(6) : 9-15. Mishra, M., Jena.,A.R., Das, R. 2013. A Probabilistic Neural Network Approach for

Classification of Vehicle. International Journal of Application or Innovation in Engineering & Management (IJAIEM) 2(7) : 367 -371.

67

Narasimhan, K., Neha, V.C. & Vijayarekha, K. 2012. Hypertensive Retinopathy Diagnosis from Fundus Images by Estimation of AVR. International Conferences on Modelling Optimazation and Computing 38 : 980-993.

National Institutes of Health (NIH). High Blood Preasure and Eye Disease. 2014. https://www.nih.gov/. Diakses 10 September 2016.

Noronha, K., K.T, Navya & Nayak, K. P. 2012. Support System for the Automated Detection of Hypertensive Retinopathy using Fundus Images. International Conferences on Eletronic Design and Signal Processing, pp 7-11.

Oktariani, A. 2016. Identifikasi Penyakit Daun Teh dengan Metode Probabilistic Neural Network (PNN). Skripsi. Universitas Sumatera Utara.

Ong, Y.-T., Wong, T.Y., Klein, R., Klein, B.E.K., Mitchell, P., Sharrett, A.R., Couper, D.J., & Ikram, M.K. 2013. Hypertensive Retinopathy and Risk of Stroke. Hypertension. 62(4): 706-711.

Palomino, L.V., Jr, V.S, Neto, R.M.F. 2014. Probabilistic Neural Network and Fuzzy Cluster Analysis Methods Applied to Impedance-Based SHM for Damage Classifcation. Hindwai Publishing Corporation 2014(2014): 1-12.

Prakash, B., Yerpude, A. 2015. A Survey on Plant Leaf Disease Identification. International Journal of Advanced Research in Computer Science and Software Engineering 5(3) : 313-317.

Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta : Andi.

Ramya, C., Rani, S.S., 2012. A Novel Method for the Contrast Enhancement of Fog Degraded Video Sequences. International Journal of Coumpter Applications 54(13) : 1-5.

Shahana,S, Das, D.C.N. 2016. Probabilistic Neural Network Assisted Cell Tracking and Classification, International Research Journal of Engineering and Technology (IRJET) 3(8):1155-1161.

Sharma, D.P. 2013. Intensity Transformation using Contrast Limited Adaptive Histogram Equalization. International Journal of Engineering Research 2(4) : 282:285.

Singh, R.P., Dixit, M. 2015. International Journal of Signal Processing, Image Processing and Pattern Recognition 8(8) : 345-352.

Soltani, Z., Jafarian, A. 2016. A New Artificial Neural Networks Approach for Diagnosing Diabetes Disease Type II. International Journal of Advanced Computer Science and Applications 7(6) : 89-94.

You,S., Bas, E., Erdogmus, D. Principal curve based retinal vessel segmentation towards diagnosis of retinal diseases, IEEE International Conference Healthcare Informatics, Imaging and System Biology. 11: 331–337.

Zhou, H. & Wu, J. & Zhang, J. 2010. Digital Image Processing: Part I (1st edition). http://bookboon.com/en/digital-image-processing-part-one-ebook . Diakses 26 Desember 2016.

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini akan membahas tentang analisis dan perancangan dalam aplikasi identifikasi diagnosis penyakit hypertensive retinopathy. Tahap pertama yaitu analisis data yang digunakan, analisis terhadap tahapan-tahapan pengolahan citra yang diterapkan, feature extraction, beserta implementasi metode probabilistic neural network dalam mengidentifikasi diagnosis penyakit ini. Pada tahapan selanjutnya yaitu dilakukan perancangan tampilan antarmuka sistem.

3.1.Arsitektur Umum

Metode yang diajukan untuk mengidentifikasi penyakit hypertensive retinopathy terdapat beberapa tahapan. Tahapan-tahapan tersebut dimulai dari pengumpulan data citra normal dan hypertensive retinopathy yang akan digunakan untuk citra latih dan dan citra uji, tahap preprocessing yang terdiri atas pembentukan green channel yang mendapatkan citra pembuluh darah dan struktur retina lebih jelas, penyeragaman persebaran histogram citra retina dengan menggunakan contrast limited adaptive histogram equalization (CLAHE), morphological close yang bertujuan untuk mengekstraksi background dan optical disk, dan proses background exclusion yang menggunakan operasi subtract antara hasil citra CLAHE dan hasil citra morphological close sehingga didapatkan pembuluh darah retina terpisah dari backgroundnya. Tahapan selanjutnya yaitu segmentasi dengan melakukan pembentukan citra biner mengunakan thresholding. Tahap berikutnya yaitu postprocessing menggunakan connected component analysis yang bertujuan untuk menghilangkan objek yang ukuran lebih kecil dari 70 pixels yang dianggap bukan pembuluh darah. Tahap selanjutnya yaitu mengekstraksi ciri dari hasil post processing menggunakan fractal dimension dan invariant moments. Dan terakhir yaitu tahap klasifikasi menggunakan Probabilistic Neural Network. Setelah tahapan-tahapan tersebut dilakukan sehingga

33

3.2.Dataset

Data citra yang digunakan dalam penelitian ini adalah citra retina yang diperoleh dari Structured Analysis of the Retina (STARE). STARE merupakan suatu proyek yang dibangun dan dimulai dari tahun 1975 oleh Michael Goldbaum,M.D di Universitas California, San Diego. Gambar dan data klinis disediakan oleh Eye Center Shiley di Universitas California, San Diege, dan oleh Veterans Administration Medical Center di San Diege. Gambar ini diambil dengan menggunakan kamera fundus TopCon TRV-50 pada 35° field of view. Resolusi dari gambar tersebut adalah 700x605 pixel dan mempunyai format PPM.

Data citra yang diperoleh dari dataset ini terdapat 35 citra normal dan 25 citra hypertensive retinopathy. Data citra yang telah dikumpulkan dibagi menjadi dua dataset, yaitu untuk dataset pelatihan dan dataset pengujian yang akan digunakan untuk mengetahui berapa akurasi dari proses pengidentifikasian. Dataset pelatihan untuk normal sebanyak 25 citra dan untuk hypertensive retinopathy sebanyak 15 citra. Sedangkan untuk dataset pengujian akan digunakan yang untuk normal sebanyak 10 citra dan untuk hypertensive retinopathy sebanyak 10 citra.

3.3.Pre-processing

Tahapan ini merupakan tahap pengolahan citra yang yang bertujuan untuk menghasilkan citra yang lebih baik untuk diproses ketahapan selanjutnya. Tahapan preprocessing ini terdiri dari green channel, contrast limited adaptive histogram equalization, morphological close, background exclusion.

3.3.1. Pembentukan Citra Green Channel

Citra retina yang didapat merupakan citra RGB. Tahap awal dalam pengolahan citra yaitu green channel. Green channel dipilih karena menghasilkan citra pembuluh darah dan struktur retina yang lebih jelas dibandingkan channel yang lainnya yaitu red channel dan blue channel. Gambar asli yang didapatkan dari dataset seperti pada Gambar 3.2.

Gambar 3.2. Citra retina asli

Perbandingan antara hasil dari ketiga channel dapat dilihat pada Gambar 3.3.

(a) (b) (c)

Gambar 3.3. Perbandingan hasil channel (a) Citra retina red channel (b) green channel (c) blue channel

Pada Gambar 3.3 terlihat bahwa red channel menghasilkan citra yang terlalu terang sehingga pembuluh darah dan struktur tidak terlihat, sementara green channel dapat menghasilkan citra pembuluh darah dan struktur retina yang jelas, dan sedangkan blue channel menghasilkan citra yang terlalu gelap sehingga pembuluh darah dan strutur retina tidak terlihat jelas juga sama halnya dengan red channel.

3.3.2. Peningkatan Kontras Citra

Setelah pembentukan green channel, proses berikutnya yaitu peningkatan kontras citra dengan menggunakan contrast limited adaptive histogram equalization (CLAHE) bertujuan untuk mendapatkan hasil kontras lebih bagus sehingga pembuluh darah dan struktur retina juga kelihatan lebih jelas. Teknik ini dipilih karena dapat membatasi kemiringan maksimum di fungsi transformasi dan penyebaran histogram yang relatif seragam apabila dibandingkan dengan teknik lainnya misalkan teknik histogram

35

equalization (HE). Berikut perbandingan hasil proses teknik CLAHE dengan teknik (HE) terlihat pada Gambar 3.4.

(a) (b)

Gambar 3.4. Perbandingan hasil proses (a) CLAHE (b) HE

Pada Gambar 3.4 terlihat hasil proses dari CLAHE kontrasnya lebih jelas dan persebaran histogramnya juga lebih merata dikarenakan CLAHE memberikan nilai batas pada histogram apabila dibandingkan dengan HE yang persebaran histogramnya tidak merata sehingga ada yang keliatan lebih terang dan ada sebagian yang terlihat gelap.

3.3.3. Mengekstraksi Background Dan Optical Disk

Tahapan selanjutnya yaitu mengekstraksi background dan optical disk dengan menggunakan morphological close dikarenakan objek ini tidak termasuk ciri yang akan diekstraksi. Morphological close didefenisikan sebagai dilation (penebalan piksel) kemudian diterapkan erosion (penipisan piksel). Hasil dari proses morphological close dapat terlihat pada Gambar 3.5.

3.3.4. Background Exclusion

Tahapan background exlusion ini bertujuan untuk memisahkan pembuluh darah dan struktur retina dari background. Diterapkan operasi subtract antara hasil citra CLAHE dan hasil citra morphological close sehingga didapatkan pembuluh darah dan strutur retina yang terpisah dari background. Berikut hasil dari proses operasi subtract terlihat pada Gambar 3.6.

Gambar 3.6. Citra hasil background exclusion

3.4.Segmentation

Tahapan setelah preprocessing yaitu segmentasi yang bertujuan untuk menghasilkan citra biner dengan menggunakan thresholding. Hasil dari proses thresholding dapat dilihat pada Gambar 3.7.

Gambar 3.7. Citra hasil thresholding

3.5.Post-processing

Hasil dari tahapan sebelumnya masih terdapat banyak objek yang bukan pembuluh darah retina sehingga perlu dilakukan eliminasi terhadap objek tersebut. Proses untuk menghilangkan objek yang bukan merupakan pembuluh darah dapat menggunakan

37

connected component analysis. Objek yang memiliki ukuran kurang dari 70 piksel maka akan tereliminasi dan dianggap bukan pembuluh darah. Hasil dari proses ini dapat dilihat pada Gambar 3.8.

Gambar 3.8. Citra hasil connected component analysis

3.6.Ekstraksi Fitur

Tahapan setelah pengolahan citra yaitu mengekstraksi fitur atau ciri dari hasil tahapan akhir pengolahan citra. Ekstraksi fitur pada penelitian ini menggunakan dua metode yaitu fractal dimension dan invariant moments. Fractal dimension menggunakan metode box counting.

3.6.1. Fractal Dimension

Ekstrasi ciri yang pertama dilakukan yaitu menghitung fractal dimension pada gambar hasil akhir dari pengolahan citra yang berukuran 700x605 piksel. Metode yang digunakan dalam menghitung fractal dimension ini yaitu box counting. Tahapan yang dilakukan dalam metode ini diantaranya yaitu :

1. Citra dibagi kedalam kotak-kotak dengan ukuran s. Nilai s berubah dari 1 hingga 2k, dengan k = 0, 1, 2, . . . dan seterusnya dan 2k tidak boleh lebih besar dari ukuran citra. Bila citra berukuran 2m x 2m maka nilai k akan berhenti sampai m. Nilai k yang digunakan pada gambar ini yaitu 0,1,2,3,4,5,6,7,8,9 karena nilai dari 2k = 29 = 512 sehingga apabila nilai k > 9 maka melewati ukuran piksel dari gambar tersebut.

2. Hitung banyaknya kotak yang melingkup satu objek. Banyaknya kotak merupakan s2 yang dimulai dari nilai s02, s12, s32,. . . , s82, dan s92.

39

3.6.2. Invariant Moments

Ektraksi ciri yang kedua yaitu invariant moments. Adapun langkah pertama yang dilakukan untuk mendapatkan nilai nvariant moments dari citra yaitu dengan menghitung nilai moment. Nilai momen yang dicari merupakan citra hasil akhir dari pengolahan citra yaitu connected component anaysis yang berukuran 700x605 piksel. Momen dihitung dengan menggunakan persamaan 2.13.

∑ ∑

Nilai momen yang yang diperoleh dari Gambar 3.8 yaitu :

1.

2.

3.

Setelah didapat nilai momen maka langkah selanjutnya yaitu menghitung nilai momen pusat dengan menggunakan persamaan 2.14.

∑ ∑ ̅ ̅

Momen pusat yang akan dicari dengan nilai ̅ dan ̅ , sehingga dapat dihasilkan nilai momen pusat yaitu :

1. 2. 3. 4. 5. 6. 7.

Setelah didapatkan nilai momen pusat maka akan dilakukan normalisasi dengan menggunakan persamaan 2.15.

=

Hasil dari normalisasi momen pusat pada Gambar 3.8 yaitu : 1. 5.576766151741881E-5

2. 0.00216678311428031 3. 0.0021142258282804503 4. 2.5032428111441995E-5 5. 7.531189717463117E-6 6. 8.086826847570918E-6 7. 1.0070806023442597E-7

Tahapan terakhir yaitu menghitung nilai invariant moments ( ) dikarenakan nilai yang didapat sangat kecil maka nilai tersebut didefinisikan kedalam persamaan | | | | agar dapat terlihat perbedaan dari setiap nilainya.

=

=

[ ]

[ ] [ ]

[ ]

[ ] Maka nilai invariant moments dari Gambar 3.8 yaitu :

1.

2.

3.

4.

5.

6.

41

Setelah didapatkan nilai ekstraksi ciri, maka nilai dari fractal dimension dan nilai-nilai dari invariant moments akan menjadi input pada proses identifikasi diagnosis penyakit hypertensive retinopathy ini dengan menggunakan probabilistic neural network.

3.7.Klasifikasi

Tahap selanjutnya setelah didapatkan nilai ekstraksi ciri yaitu klasifikasi dengan menggunakan metode Probabilistic Neural Network (PNN). Tahapan pada metode ini dibagi menjadi dua tahap yaitu tahap pelatihan dan tahap pengujian. Dalam tahap pelatihan yaitu akan digunakan nilai ekstraksi ciri dari beberapa data latih. Sedangkan pada tahap pengujian nilai ekstraksi ciri dari data uji akan masuk kedalam pattern layer kemudian ke summation layer dan nilai probabilitas yang paling tertinggi akan dikelompokkan kedalam kelas tersebut.

Proses pelatihan pada metode PNN terdiri dari langkah yang unik, yaitu menyimpan bobot masing-masing neuron pada pattern layer yang terbentuk oleh vektor hasil dari ekstraksi ciri dari masing-masing data pelatihan. Proses pelatihan algoritma PNN dapat dilihat pada Gambar 3.10.

Gambar 3.10. Pseudocode proses pelatihan metode PNN

Proses pengujian pada metode PNN terdiri dari beberapa langkah diantaranya yaitu :

1. Masukkan data pegujian pertama

2. Kemudian data uji akan dihitung jarak kedekatannya dengan vektor bobot yang ada didalam database. Dan diterapkan fungsi gaussian kernel dengan persamaan 2.17.

3. Kemudian dijumlahkan hasil dari fungsi gaussian kernel dengan kelas yang sama kemudian dirata-ratakan dengan jumlah data uji sesuai dengan kelas inisialisasi matriks N

for i=0 sampai i<=panjang N

tetapkan nilai ekstraksi ciri sebagai weight simpan weight kedalam database

masing. Tujuan dari proses ini yaitu mencari probabilitas masing-masing kelas. Proses ini dilakukan dengan persamaan 2.18.

4. Nilai probabilitas yang tertinggi akan masuk kedalam kelas tersebut. Adapun alur proses pengujian dapat dilihat pada Gambar 3.11.

Gambar 3.11. Proses pengujian metode PNN Start

Input nilai ektraksi ciri data uji

Hitung jarak antara vektor data uji dengan

nilai bobot

Terapkan fungsi gaussian kernel

Jumlahkan nilai gaussian kernel kelas sama

Terapkan fungsi kepadatan probabilitas

Terapkan fungsi bayes’s decision

Hasil identifikasi

43

3.8.Perancangan Sistem

Pada tahapan perancangan sistem ini akan dijelaskan tentang perancangan menu sistem dan perancangan antarmuka aplikasi identifikasi diagnosis hypertensive retinopathy. Perancangan ini bertujuan agar pengguna dapat mudah menjalankan aplikasi.

3.8.1. Perancangan Menu Sistem

Struktur menu pada sistem dapat dilihat pada Gambar 3.12.

Gambar 3.12. Struktur menu sistem

3.8.2. Perancangan Antarmuka

Perancangan antarmuka terdiri atas rancangan tampilan splash, tampilan halaman utama, dan tampilan halaman training.

3.8.2.1. Perancangan Tampilan Splash

Halaman splash merupakan tampilan utama ketika system dijalankan. Rancangan tampilan halaman splash dapat dilihap pada Gambar 3.13.

Tampilan Halaman Splash

Training

Upload

Process

Reset Tampilan

45

Keterangan :

a. Textfield yang merupakan tempat hasil url location file. Textfield ini juga bisa diklik sehingga akan menampilkan kotak dialog untuk memilih file citra retina. b. Tombol upload yang akan menampilkan kotak dialog dan memilih citra retina

yang akan diuji.

c. Tombol process yang akan memproses citra retina yang telah dipilih sebelumnya. Setelah diproses maka hasilnya akan tampil pada bagian-bagian pre processing image yaitu green channel, CLAHE(contrast limited adaptive histogram equalization), morpclose(morphological close), backexclusion (background exclusion), thresholding, CCA(connected componen anaysis). Selain itu juga akan tampil nilai dari ekstrasi cirinya pada bagian feature extraction. Dan juga hasil dari identifikasi citra retina pada bagian result. d. Bagian ini akan menampilkan image hasil dari citra retina yang dipilih.

e. Bagian ini merupakan panel yang akan menampilkan hasil dari image yang telah diproses

f. Pada bagian ini akan tampil nilai dari ekstraksi ciri dari citra retina yang terdiri dari nilai fractal dimension dan ketujuh nilai invariant moments.

g. Panel yang akan menampilkan hasil identifikasi dari citra retina input. h. Bagian ini merupakan menu yang terdiri dari menu training dan menu exit. i. Frame utama yang menampung keseluruhan panel yang terdiri dari judul

frame, tombol minimize yang akan memperkecil ukuran jendela aplikasi, tombol maximize yang disabled karena frame sudah diatur sebesar ukuran layar, jadi tidak bisa diperbesar lagi, dan terakhir tombol close yang akan menutup aplikasi tersebut.

3.8.2.3. Perancangan Tampilan Halaman Training

Tampilan halaman training merupakan halaman yang bertujuan untuk menginput citra training yang hasil ekstraksi cirinya akan disimpan kedalam database. Halaman ini terdiri dari 3 button, dan 2 panel yang berisi list file citra yang diplih sebagai training. Perancangan tersebut dapat dilihat pada Gambar 3.15.

Gambar 3.15. Rancangan halaman training Keterangan :

a. Panel yang akan menampilkan file citra normal yang telah dipilih b. Panel yang akan menampilkan file citra HR yang telah dipilih.

c. Tombol upload citra normal yang akan menampilkan kotak dialog dan bisa pilih file lebih dari satu atau multiselected.

d. Tombol upload citra HR yang akan menampilkan kotak dialog dan bias pilih file lebih dari satu sama halnya dengan tombol upload citra normal

e. Tombol proses yang akan memproses semua file yang telah dipilih dan hasil dari ekstraksi cirinya disimpan kedalam database.

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Bab ini akan membahas hasil dari implementasi metode Probabilistic Neural Network dalam mengidentifikasi diagnosis penyakit hypertensive retinopathy melalui citra fundus retina dan pengujian sistem sesuai dengan analisis data dan perancangan yang telah dibahas pada Bab 3.

4.1.Implementasi Sistem

Pada tahap implementasi sistem, proses untuk mengidentifikasi diagnosis penyakit hypertensive retinopathy dimulai dari preprocessing, segmentation, post processing, ekstraksi ciri, dan hingga tahap akhir yaitu pengidentifikasian diimplementasikan kedalam bahasa pemrograman Java dengan perancangan yang telah dilakukan.

4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut:

1. Processor Intel(R) Core(TM) i3-5005U CPU 2.00GHz. 2. Kapasitas hard disk 500GB.

3. Memori RAM yang digunakan 4,00 GB.

4. Sistem operasi yang digunakan Windows 8.1 Single Language . 5. Eclipse IDE Neon Release 4.6.0.

4.1.2. Implementasi Perancangan Antarmuka

Implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah dibahas pada Bab 3 adalah sebagai berikut.

1. Tampilan Halaman Splash

Halaman splash merupakan tampilan awal saat sistem pertama kali dijalankan. Tampilan tersebut dapat pada Gambar 4.1.

Gambar 4.1. Tampilan halaman splash 2. Tampilan Halaman Utama Sistem

Halaman utama sistem merupakan halaman untuk testing aplikasi yang bertujuan untuk mengidentifikasi diagnosis penyakit hypertensive retinopathy melalui citra fundus retina menggunakan metode probabilistic neural network. Tampilan tersebut dapat dilihat pada Gambar 4.2.

49

3. Tampilan Halaman Training

Tampilan ini merupakan halaman untuk training data dan menginput hasil ekstraksi citra kedalam database. Tampilan tersebut dapat dilihat pada Gmabar 4.3.

Gambar 4.3. Tampilan halaman training

4.1.3. Implementasi Data

Data yang dimasukkan kedalam sistem adalah citra retina yang bersumber dari Structured Analysis of the Retina (STARE). Data tersebut dipilih dan dibagi menjadi dua kategori yaitu normal dan hypertentensive retinopathy. Rangkuman data dapat dilihat pada Tabel 4.1.

Tabel 4.1. Rangkuman data citra retina

No Nama Citra Gambar Citra Normal HR

1. im0032.ppm 

Tabel 4.1. Rangkuman data citra retina (Lanjutan)

No Nama Citra Gambar Citra Normal HR

3. im0076.ppm 

4. im0081.ppm 

5. im0082.ppm 

6. im0119.ppm 

7. im0120.ppm 

8. im0162.ppm 

9. im0163.ppm 

10. im0164.ppm 

51

Tabel 4.1. Rangkuman data citra retina (Lanjutan)

No Nama Citra Gambar Citra Normal HR

51. im0037.ppm 

52. im0038.ppm 

53. im0048.ppm 

54. im0061.ppm 

55. im0064.ppm 

56. im0065.ppm 

57. im0094.ppm 

Tabel 4.1. Rangkuman data citra retina (Lanjutan)

No Nama Citra Gambar Citra Normal HR

59. im0266.ppm 

60. im0361.ppm 

TOTAL 60 citra retina

4.2.Prosedur Operasional

Tampilan awal aplikasi merupakan splash, setelah splash maka akan tampil halaman utama sistem. Tampilan halaman utama sistem ditunjukkan pada Gambar 4.2 yang terdapat satu menu, dan dua sub menu yang terdiri dari menu training dan exit. Sub menu training merupakan link untuk kehalaman training. Tampilan dari menu setelah diklik dapat dilihat pada Gambar 4.4

Gambar 4.4 Tampilan saat menu diklik

Tampilan saat diklik sub menu training dapat dilihat pada Gambar 4.3. Pada tampilan tersebut terdapat 3 button terdiri dari button upload citra normal dan upload

53

citra HR dan process. Button upload citra normal dan HR mempunyai fungsi yang sama yaitu untuk mengupload citra normal dan hypertensive retinopathy sehingga akan menampilkan kotak dialog dan pengguna dapat memilih file citra retina. Pengguna dapat memilih file lebih dari satu atau multi selected. Dan button process berfungsi untuk memproses file citra retina yang telah dipilih, mengekstraksi ciri dari masing-masing citra, dan menginputkan kedalam database. Tampilan ketika button upload citra normal atau citra HR diklik dapat dilihat pada Gambar 4.5.

Gambar 4.5. Tampilan ketika salah satu button upload citra diklik

Citra retina yang telah diplih akan ditampilkan pada panel citra masing-masing. Tampilan tersebut dapat dilihat pada Gambar 4.6.

Setelah citra retina selesai dipilih, kemudian dapat diklik button prosess. Setelah diklik maka akan menampilkan notifikasi bahwa training setelah selesai diproses.Tampilan tersebut dapat dilihat pada Gambar 4.7.

Gambar 4.7. Tampilan ketika training telah selesai diproses

Setelah training dilakukan, maka dapat dilakukan pengujian sistem. Pada halaman utama terdapat button upload yang berfungsi untuk menampilkan kotak dialog dan memilih citra yang akan diuji. Tampilan kotak dialog sama seperti Gambar 4.7. Dan kemudian setelah dipilih citra yang akan diuji, maka citra yang dipilih akan muncul pada panel image input. Tampilan tersebut dapat dilihat pada Gambar 4.8.

55

Setelah citra tampil pada panel image input, maka button process akan aktif. Button process berfungsi untuk memproses citra yang telah diinput. Proses yang terjadi terdiri dari preprocessing ( green channel, contrast limited adaptive histogram equalization, morphological close, background exclusion, thresholding, dan connected component analysis ), feature extraction, dan result. Hasil dari semua proses tersebut akan muncul pada panel masing-masing. Hasil dari preprocessing akan muncul secara berurutan tiap panelnya dan apabila ingin memperbesar tampilan dari tiap hasil preprocessing dapat diklik pada hasil preprocessing tersebut, hasil ekstraksi ciri juga akan ditampilkan pada panel extraction future yang terdiri dari fractal dimension dan tujuh nilai invariant moments, dan hasil identifikasi juga akan ditampilkan pada panel result. Tampilan pada proses-proses tersebut dapat dilihat pada Gambar 4.9.

Gambar 4.9. Tampilan setelah citra diproses

Hasil dari preprocessing setelah diklik dapat dilihat pada Gambar 4.10, Gambar 4.11, Gambar 4.12, Gambar 4.13, Gambar 4.14, Gambar 4.15.

Gambar 4.10. Tampilan green channel saat diperbesar

57

Gambar 4.12. Tampilan morphological close saat diperbesar

Gambar 4.14. Tampilan thresholding saat diperbesar

59

4.3.Pengujian Sistem

Pada tahap ini akan dilakukan pengujian terhadap data dan sistem. Pengujian data dilakukan pada 10 citra normal dan 10 citra hypertensive retinopathy dengan menggunakan data training 25 citra normal dan 15 citra hypertensive retinopathy.

Pengujian dilakukan dengan nilai smoothing parameter (σ) yang berbeda-beda, dimulai dari 0.01, 0.03, 0.04, 0.05, 0.09, 0.1, 0.3, 0.4, 0.5, 0.9. Hasil dari pengujian dapat dilihat pada Gambar 4.16. Pengujian dengan nilai σ yang berbeda -beda bertujuan untuk mendapatkan nilai σ yang mampu melakukan identifikasi penyakit hypertensive retinopathy dengan tingkas akurasi yang tinggi.

Gambar 4.16. Grafik hasil akurasi pengujian

Berdasarkan hasil pengujian seperti yang ditunjukkan pada Gambar 4.16, semakin kecil nilai σ maka akurasi yang didapatkan juga dikarenakan nilai σ sangat berpengaruh pada nilai fungsi kepadatan probabilitas. Sedangkan semakin besar nilai σ maka juga akan semakin tinggi akurasi yang didapat. Jadi akurasi yang terbaik didapatkan dari nilai σ ≥ 0.4. Data hasil pengujian yang telah dilakukan dapat dilihat pada tabel 4.2.

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

0.01 0.03 0.04 0.05 0.09 0.1 0.3 0.4 0.5 0.9 akurasi

Tabel 4.2. Data hasil pengujian

No Nama Citra Gambar Citra Pembuluh darah Hasil Status

1 im0032.ppm normal normal

2 im0081.ppm normal normal

3 im0119.ppm normal normal

4 im0170.ppm normal normal

5 im0216.ppm normal normal

6 im0235.ppm normal normal

7 im0239.ppm normal normal

61

9 im0242.ppm normal normal

10 im0243.ppm normal normal

11 im0007.ppm HR HR

12 im0037.ppm HR HR

13 im0038.ppm HR HR

14 im0089.ppm HR HR

15 im0220.ppm HR HR

17 im0267.ppm HR HR

18 im0293.ppm HR HR

19 im0332.ppm HR HR

20 im0396.ppm HR HR

Berdasarkan data hasil uji yang telah dilakukan pada aplikasi identifikasi penyakit hypertensive retinopathy melalui citra fundus retina menggunakan Probilistic Neural Network, dapat diperoleh nilai akurasi dalam pengidentifikasian penyakit hypertensive retinopathy dengan rata-rata %. Nilai akurasi dapat diperoleh dari persamaan 4.1.

Persentase Akurasi =

=

=

Dari perhitungan diatas dapat diketahui bahwa tingkat akurasi dari metode Probabilistic Neural Network dalam mengidentifikasi penyakit hypertensive retinopathy melalui citra fundus retina dapat mencapai 100%.

BAB 5

KESIMPULAN DAN SARAN

Bab ini akan membahas tentang kesimpulan dari metode yang telah digunakan untuk mengidentifikasi penyakit hypertensive retinopathy pada bagian 5.1 dan juga saran-saran untuk pengembangan penelitian berikutnya pada bagian 5.2

5.1.Kesimpulan

Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem identifikasi penyakit hypertensive retinopathy dengan menggunakan Probabilistic Neural Network adalah sebagai berikut :

1. Metode Probabilistic Neural Network (PNN) mampu melakukan identifikasi penyakit hypertensive retinopathy melalui citra fundus retina dengan sangat baik. Sehingga hasil dari proses identifikasi penyakit hypertensive retinopathy melalui citra fundus retina memiliki tingkat akurasi 100%.

2. Berdasarkan pengujian sistem, nilai smoothing parameter sangat mempengaruhi akurasi. Dikarenakan semakin kecil nilai σ maka nilai probabilitasnya juga akan semakin kecil dan semakin besar nilainya maka akan semakin besar juga nilai probabilitasnya. Adapun nilai σ ≥ 0.4 merupakan nilai smoothing parameter yang terbaik untuk mengidentifikasi penyakit hypertensive retinopathy dengan menggunakan Probabilistic Neural Network. 3. Metode box counting dan nvariant moments merupakan kombinasi metode

5.2.Saran

Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut : 1. Diperlukan proses pengolahan citra yang sesuai, sehingga segmentasi

pembuluh darah dapat tersegmentasi dengan bagus dan objek lain dapat tereliminasi secara keseluruhan.

2. Menggunakan data pelatihan yang lebih banyak sehingga ketika data uji mampu mendapatkan akurasi yang lebih tinggi.

3. Menggunakan kombinasi metode yang lain dalam tahapan ekstraksi ciri. 4. Membandingkan metode klasifikasi Probabilistic Neural Network dengan

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode probabilistic neural network untuk mengidentifikasi hypertensive retinopathy.

2.1.Hypertensive Retinopathy

Hypertensive retinopathy adalah penyakit yang merusak retina mata hingga dapat mengakibatkan hilangnya penglihatan dan erat terkait dengan tekanan darah tinggi atau sering disebut dengan hypertensive (Narasimhan et al., 2012).

2.1.1. Gejala Hypertensive Retinopathy

Hypertensive retinopathy tidak memiliki gejala yang terlalu signifikan hingga terjadinya kerusakan yang parah pada retina. Penyakit ini pun sering disebut dengan silent killer, dikarenakan tidak memiliki gejala namun perlahan akan mengakibatkan kematian apabila tidak segera diobati (Badii, 2016). Tanda-tanda dari gejala penyakit ini diantaranya adalah :

a. Penglihatan mulai berkurang.

b. Terjadinya pembengkakan pada mata. c. Meledaknya pembuluh darah.

d. Penglihatan ganda dengan disertai sakit kepala.

2.1.2. Penyebab Hypertensive Retinopathy

Penyebab dari hypertensive retinopathy dikarenakan tekanan darah tinggi yang berkepanjangan. Tekanan darah tinggi / hypertensive didefinisikan tekanan darah

sistolik ≥140 mmHg (milimeter hydrargyrum), tekanan darah diastolik ≥90 mmHg (milimeter hydrargyrum) (Ong et al., 2013). Sedangkan tekanan darah normal yaitu untuk tekanan darah sistolik < 120 mmHg dan diastolik < 80 mmHg. Hypertensive merupakan masalah kronis dimana kekuatan darah yang terlalu tinggi terhadap pembuluh darah. Ketika terjadinya hypertensive, maka pembuluh darah akan mengalami penyempitan kemudian penebalan dikarenakan suplai darah yang terlalu banyak menuju retina. Sehingga apabila tidak cepat diberi pengobatan, pembuluh darah akan meledak dan akan menyebabkan kehilangan penglihatan.

2.1.3. Faktor Resiko Hypertensive Retinopathy

Resiko terjadinya hypertensive retinopathy lebih sering terjadi pada perempuan dibandingkan laki-laki. Beberapa kondisi yang menempatkan pada resiko yang lebih tinggi untuk penyakit ini diantaranya adalah (Badii, 2016) :

a. Tekanan darah tinggi / hypertensive yang berkepanjangan b. Penyakit jantung

c. Atherosclerosis ( penyakit arteri dimana dinding arteri menjadi lebih tebal dan kurang lentur ).

d. Diabetes e. Merokok

f. Kolesterol tinggi g. Kelebihan berat badan h. Makan diet yang tidak sehat i. Konsumsi alkohol berat

2.1.4. Pemeriksaan Hypertensive Retinopathy

Pemeriksaan hypertensive retinopathy biasanya dilakukan dengan anamnesis, pemeriksaan fisik, pemeriksaan dengan alat funduskopi. Pemeriksaan dengan anamnesis merupakan pemeriksaan yang dilakukan melewati percakapan antara dosen dan pasien. Dokter akan menanyakan keluhan-keluhan yang diderita oleh pasien. Kemudian pemeriksaan fisik merupakan pemeriksaan yang biasanya dilakukan oleh dokter setelah pemeriksaan anamnesis. Pemeriksaan fisik yang dilakukan salah

10

satunya adalah mengukur tekanan darah dengan bantuan alat pengukur tekanan darah yang disebut tensimeter. Kemudian pada pemeriksaan funduskopi akan terlihat penyempitan arterioles retina. Peningkatan tekanan darah akan mengakibatkan penyempitan dan penebalan pada dinding pembuluh darah.

Selain itu juga digunakan alat ophthalmoscope dan fluorescein angiography. Pemeriksaan dengan ophthalmoscope yang bertujuan untuk melihat penyempitan pembuluh darah dan tanda kebocoran yang terjadi pada pembuluh darah tersebut (NIH, 2014). Kemudian pemeriksaan fluorescein angiography, citra hasil dari pemeriksaan tersebut terbentuk dari sejumlah foton yang dipancarkan oleh zat pewarna fluorescein. Zat tersebut disuntikkan kepada penderita dan zat akan beredar keseluruh tubuh termasuk retina. Ketika zat mulai masuk kebagian retina, maka proses angiography dilakukan. Citra yang dihasilkan dari proses ini dapat melihat pembuluh darah, mikroaneurisma, makula, dan pendarahan yang terjadi secara jelas (Febriani, 2014). Contoh hasil dari pemeriksaan tersebut dapat dilihat pada Gambar 2.1.

Gambar 2.1. Citra fluorescein angiography (Lim et al., 2015) 2.1.5. Klasifikasi Hypertensive Retinopathy

Pengelompokkan penyakit ini sudah banyak dilakukan. Downie et al., 2013 melakukan perbandingan hasil penelitian sebelumnya yang dilakukan oleh Keith,Wagener Barker pada tahun 1993. Klasifikasi yang dibuat berupa hubungan antara klasifikasi sederhana dari hypertensive retinopathy dan cardiovascular disease.

14

2.2.1. Citra Biner

Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Hitam direpresentasikan dengan nilai intensitas 0 sedangkan putih direpresentasikan dengan nilai intensitas 1. Citra biner juga disebut dengan citra B&W (black and white) atau citra monokrom. Karena hanya dibutuhkan 1 bit untuk mewakili nilai setiap piksel dari citra biner.

Citra biner sering kali muncul sebagai hasil dari proses pengolahan seperti segmentasi, penhambangan, morfologi, ataupun dithering. Contoh citra biner dapat dilihat pada Gambar 2.6.

Gambar 2.6 Citra Biner

2.2.2. Citra Grayscale

Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pikselnya, dengan kata lain nilai bagian RED = GREEN = BLUE. Nilai tersebut digunakan untuk menunjukan tingkat itensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih.

Tingkat keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. Jika citra skala keabuan memiliki jumlah 8 bit, maka jumlah warna pada citra adalah 28 atau 256., dimana nilai intensitas berkisar antara 0-255. Nilai 0 merupakan warna hitam, nilai 255 merupakan warna putih dan nilai diantara itu adalah warna keabuan (Fatihah, 2016). Contoh citra grayscale dapat dilihat pada Gambar 2.7.

Gambar 2.7 Citra Grayscale

2.2.3. Citra Warna

Citra warna merupakan jenis citra yang menyediakan warna dalam bentuk RGB (red, green, dan blue). Setiap komponen warna menggunakan 8 bit, nilainya terletak antara 0-255. Warna yang disediakan yaitu 255 x 255 x 255. Warna ini disebut juga dengan true color dikarenakan memiliki jumlah warna yang cukup besar (Chairani, 2016). Contoh citra warna dapat dilihat pada Gambar 2.8.

Gambar 2.8 Citra Warna

2.3.Pengolahan Citra Digital

Pengolahan citra digital merupakan suatu teknologi yang menerapkan sejumlah algoritma komputer untuk dapat memproses citra digital. Hasil keluaran dari proses tersebut dapat berupa citra atau karakteristik yang merepresentasikan citra. Tujuan utama pengolahan citra ini yaitu untuk mendapatkan citra yang berkualitas tinggi atau deskriptif dari citra asli sehingga dapat meningkatkan informasi tentang citra tesrebut

16

(Zhou et al., 2010). Beberapa teknik pengolahan citra yang diterapkan pada penelitian ini diantaranya sebagai berikut.

2.3.1. Green Channel

Green channel merupakan salah satu jenis dari grayscaling yang mengganti nilai setiap piksel pada citra hanya dengan nilai green dari piksel citra tersebut (Febriani, 2014). Green channel mampu mendeteksi pembuluh darah dikarenakan dapat meningkatkan kontras yang lebih tinggi sehingga pembuluh darah dan background dari retina lebih terlihat jelas apabila dibandingkan dengan channel yang lainnya yaitu red channel dan blue channel yang kontrasnya lebih rendah (Raja, 2015). Green channel dilakukan dengan persamaan 2.1.

Dimana : = piksel citra hasil green channel = nilai red dari sebuah piksel = nilai green dari sebuah piksel = nilai blue dari sebuah piksel

2.3.2. Peningkatan Kontras Citra

Peningkatan kontras citra bertujuan untuk dapat meningkatkan kualitas citra dan dapat memperoleh citra yang dapat memberikan informasi yang sesuai dengan tujuan pengolahan citra. Peningkatan kontras citra dalam penelitian ini menggunakan metode contrast limited adaptive histogram equalization (CLAHE).

CLAHE merupakan metode untuk mengatasi keterbatasan standar pemerataan histogram pada suatu citra. CLAHE merupakan metode kelanjutan dari metode adaptive histogram equalization (AHE). Metode AHE cendrung masih banyak mengalami masalah noise di daerah yang relatif homogen dari suatu citra dan dengan CLAHE dapat mengatasi masalah tersebut dengan membatasi peningkatan kontrast khususnya di daerah yang homogen (Sharma, 2013). Untuk mengontrol kualitas citra, CLAHE mempunyai dua parameter yaitu block size dan clip limit yang memiliki (2.1)

beberapa nilai default dan juga bisa ditentukan oleh pengguna (Singh et al., 2015). Algoritma CLAHE dapat dijelaskan sebagai berikut (Ramya, 2012)

Langkah 1 : Citra asli dibagi menjadi beberapa bagian citra yang tiap bagian citra berukuran MxN.

Langkah 2 : Setiap bagian citra dihitung histogramnya.

Langkah 3 : Clipped histogram setiap bagian citra. Jumlah piksel dari tiap bagian citra didistribusi pada masing-masing derajat keabuan. Rata-rata jumlah piksel tersebut dilakukan dengan persamaan 2.2.

Dimana : = rata-rata jumlah piksel

= jumlah piksel dalam dimensi X dari bagian citra = jumlah piksel dalam dimensi Y dari bagian citra = jumlah nilai derajat keabuan dari bagian citra

Berdasarkan persamaan 2.2, clip limit dapat dihitung menggunakan persamaan 2.3.

Dimana : = clip limit

= nilai maksimum rata-rata piksel setiap nilai derajat keabuan dari bagian citra

Pada histogram yang asli, piksel akan di clipped jika jumlah piksel lebih besar dari . Jumlah piksel didistribusikan secara merata kedalam masing-maisng derajat keabuan ( ) yang didefinisikan dengan total jumlah piksel yang di clipped ( ) dalam persamaan 2.4.

(2.2)

(2.3)

18

merupakan jumlah piksel dalam setiap derajat keabuan bagian citra dan

‘i’ adalah jumlah derajat keabuan. Dengan menggunakan persamaan 2.4. contrast

limited histogram bagian citra dapat dihitung dengan menggunakan persamaan 2.5.

Akhir dari distribusi pada persamaan 2.5, sisa jumlah piksel yang di clipped dinyatakan sebagai , tahap distribusi piksel dirumuskan dalam persamaan 2.6.

Metode ini memindai semua piksel dari yang minimum hingga yang maksimum dari niali graylevel. Jika frekuensi piksel graylevel adalah , metode ini akan mendistribusikan satu piksel nilai graylevel. Jika pencarian berakhir sebelum distribusi semua piksel, maka akan dihitung ulang sesuai dengan persamaan 2.6 hingga semua piksel terdistribusi. Dengan demikian akan diperoleh histogram yang baru.

Langkah 4 : Membatasi contrast histogram setiap bagian citra diproses dengan HE kemudian piksel dari bagian citra dipetakan dengan menggunakan interpolasi linear.

2.3.3. Morphological Operator

Morphological operator merupakan suatu teknik pengolahan citra yang berdasarkan pada pengolahan bentuk. Teknik ini menerapkan structuring element (SE) pada citra yang diolah dan menghasilkan citra dengan ukuran yang sama. SE merupakan sebuah operator yang dapar mempengaruhi kinerja pengolahan morphological . Nilai setiap piksel pada citra yang dimasukkan berdasarkan pada perbandingan antara piksel yang bersesuaian dari citra masukkan dengan nilai piksel tetangganya. Dengan memilih ukuran dan bentuk tetangga tersebut, maka dapat membangun sebuah morphological (2.5)

operator untuk mengolah citra yang dimasukkan agar lebih spesifik (Kaur et al., 2013).

Morphological operator mempunyai dua operasi dasar yaitu dilation dan erosion. Dilation merupakan suatu proses untuk meningkatkan batas piksel foreground sehingga pada daerah tersebut ukurannya akan bertambah dan menebal. Dilation dilakukan dengan persamaan 2.7.

Sedangkan erosion kebalikan dari dilation yang akan mengurangi batas piksel foreground sehingga pada daerah tersbut ukurannya akan berukurang dan menipis (Chudasama et al,2015). Erosion dilakukan dengan persamaan 2.8.

Operasi dasar tersebut telah banyak dikombinasikan, sehingga terdapat operasi-operasi lainnya salah satunya yaitu morphological close. Operasi tersebut merupakan kombinasi dimana suatu citra diterapkan dilation terlebih dahulu kemudian diterapkan operasi erosion. Morphological close bertujuan untuk memperhalus objek pada citra dengan cara menyambungkan pecahan-pecahan dan menghilangkan lubang-lubang kecil pada citra. Operasi morphologial close diterapkan pada penelitian ini bertujuan untuk menghaluskan pembuluh darah retina beserta Dimana : = citra hasil dari dilation

= citra masukkan = structure element = translasi B

Dimana : = citra hasil dari erosion = citra masukkan

= structure element = translasi B

(2.7)

20

struktur retina yang lain sehingga background dari retina lebih kelihatan lebih menonjol.

2.3.4. Thresholding

Thresholding merupakan suatu proses untuk mengubah citra menjadi citra biner atua sering disebut dengan proses binerisasi. Proses ini menggunakan nilai batas (threshold) untuk dapat mengubah nilai piksel menjadi warna hitam atau putih. Jika nilai piksel pada citra lebih besar dari nilai threshold yang ditentukan maka nilai piksel tersebut akan diubah menjadi warna putih dan diinisialkan dengan angka biner 1. Sementara apabila nilai piksel lebih kecil dari nilai threshold maka akan diubah menjadi warna hitam dan diinisialkan dengan angka biner 0 (Febriani, 2014). Proses tersebut dilakukan dengan persamaan 2.9.

Dimana : = piksel citra hasil biner = piksel citra masukkan

= nilai threshold

2.3.5. Conneted Component Analysis

Conneted Component Analysis merupakan suatu teknik untuk mengekstrak daerah-daerah yang hanya terhubung dan menghilangkan daerah yang tidak terhubung setelah batas-batas minumun terdeteksi. Teknik ini biasanya juga sering digunakan dalam tahap segmentasi citra ( Bouman, 2015 ). Terdapat dua konektivitas yang dapat digunakan yaitu 4-konektivitas (4-connected neighbors) dan 8-konektivitas (8-connected neighbors) (Chairani, 2016). 4-konektivitas apabila piksel-piksel yang berdekatan tersebut terletak berdampingan secara horizontal dan vertikal. Model dari 4-konektivitas ini dapar dilihat pada Tabel 2.2.

(2.9)

� �

� ≤�

Tabel 2.2. Model 4-konektivitas P(x,y-1)

P(x-1,y) P( x,y ) P(x+1,y) P(x,y+1)

Pada konsep 8-konektivitas apabila terdapat 2 piksel yang bersinggungan baik secara diagonal maupun secara horizontal dan vertikal maka akan diangap satu objek. Model konektivitas tersebut dapat dilihat pada Tabel 2.3.

Tabel 2.3. Model 8-konektivitas P(x-1,y-1) P(x,y-1) P(x+1, y-1)

P(x-1,y) P( x,y ) P(x+1,y) P(x+1, y+1) P(x,y+1) P(x+1, y+1)

2.4.Ekstraksi Ciri Citra

Ekstraksi ciri bertujuan untuk mengekstraksi ciri yang unik pada citra yang akan dijadikan input pada tahap klasifikasi. Ekstraksi ciri yang dilakukan pada penelitian ini menggunakan dua metode yaitu menggunakan fractal dimension yang menggunakan algoritma box counting dan menggunakan invariant moments.

2.4.1. Fractal Dimension

Konsep fractal berasal dari bahasa latin yaitu fractus yang berarti pecah atau tidak teratur. Objek fractal dapat ditemukan dimana-diaman, seperti garis pantai, pohon pakis, awan, gunung, bakteri, dll. Fractal memiliki karakteristik utama yaitu kemiripan dengan diri sendiri (self-similarity). Karakteristik tersebut yang membuat fractal memiliki kemampuan memodelkan objek alam yang rumit, tidak teratur, dan juga dapat menentukan dimensi suatu objek. Sehingga fractal mampu menghasilkan dimensi pecahan (fractional dimension). Fractal sangat serupa dengan dirinya, yang dapat dikatakan bahwa struktur dapat diulang dengan skala yang ukuran berbeda-beda. (Kisan et al., 2016).

22

Pada geometri euclidean, garis memiliki dimensi 1 karena hanya memiliki panjang. Bidang memiliki dimensi 2 karena memiliki panjang dan lebar. Ruang berdimensi 3 karena memiliki panjang, lebar, dan tinggi. Sementara titik tidak memiliki dimensi karena tidak memiliki panjang, lebar, ataupun tinggi. Namun, apabila bidang tersebut bukan bidang yang sempurna maka akan susah untuk menghitung dimensinya. Sehingga fractal dimension mampu berperan dalam menghitung dimensi dari bidang tersebut.

Salah satu metode dalam menghitung fractal dimension yaitu menggunakan metode box counting. Fractal dimension suatu citra dengan menggunakan metode ini dihitung dengan persamaan 2.10.

Dimana : = banyaknya kotak berukuran s = fractal dimension dari suatu objek

Berikut adalah langkah-langkah metode penghitungan kotak adalah (Putra, 2010).

a. Citra dibagi kedalam kotak-kotak dengan ukuran s. Nilai s berubah dari 1 hingga 2k, dengan k = 0, 1, 2, . . . dan seterusnya dan 2k tidak boleh lebih besar dari ukuran citra. Bila citra berukuran 2m x 2m maka nilai k akan berhenti sampai m.

b. Hitung banyaknya kotak yang melingkup satu objek. Nilai akan sangat bergantung pada s

c. Hitung fractal dimension dengan menggunakan persamaan 2.10.

d. Langkah terakhir adalah membuat garis lurus berdasarkan nilai-nilai log(N(s)) sebagai sumbu y, dan nilai-nilai log(s) sebagai sumbu x untuk setiap nilai s, kemudian hitung kemiringan (slope) dari garis lurus. Nilai dari slope inilah yang merupakan fractal dimension dari suatu citra. Slope suatu garis lurus dapat dihitung dengan metode least square. Suatu garis lurus dapat dinyatakan dengan persamaan 2.11.

Kemiringan dari persamaan garis lurus diatas dinyatakan sebagai a1, dapat dihitung dengan metode least square. Metode tersebut dapat dilakukan dengan persamaan 2.12.

∑ _∑ ∑ ∑ ∑

Dengan N menyatakan banyak data yang digunakan untuk membentuk garis lurus.

2.4.2. Invariant Moments

Invariant moments merupakan salah satu metode yang sering digunakan untuk ekstraksi ciri bentuk dalam bidang pengolahan citra. Metode ini pertama kali dipublikasikan oleh Hu pada tahun 1961 (Chairani, 2016). Hasil dari metode ini terdapat tujuh nilai pada setiap objek citra. Nilai-nilai tersebut bersifat independen terhadap translasi, rotasi, dan perskalaan. Momen yang mentransformasikan fungsi citra f(i,j) pada system diskrit dinyatakan pada persamaan 2.13.

∑ ∑

Dimana : = momen = tinggi citra = lebar citra dan y = baris dan kolom = nilai intensitas citra

Momen pusat (central moments) adalah momen yang bersesuaian dengan pusat area didefinisikan pada persamaan 2.14.

(2.11)

(2.12)

24 (2.14) ∑ ∑ ̅ ̅ Dimana : ̅ ₌

, ̅

Dan momen pusat tersebut dilakukan normalisasi dengan menggunakan persamaan 2.15.

=

Dimana : ₌

=

Kemudian momen yang telah ternormalisasi tersebut dapat didefinisikan sekumpulan momen-momen invarian (invariant moments). Persamaan dari momen tersebut dilakukan dengan persamaan 2.16.

= = (2.15) (2.16)

2.5.Probabilistic Neural Network

Probabilistic Neural Network (PNN) berdasarkan pada metode teorema Bayes untuk probabilitas bersyarat dan metode Parzen untuk memperkirakan fungsi kepadatan probabilitas variabel acak. PNN pertama kali diperkenalkan oleh Specht pada tahun 1990 yang menunjukkan bagaimana Bayes Parzen Classifier bisa dipecah menjadi sejumlah besar dari proses sederhana dan diimplementasikan kedalam jaringan saraf multilayer (Shahana et al, 2016).

PNN dapat didefnisikan sebagai implementasi dari algoritma statistik yang biasa disebut dengan kernel diskriminasi analisi dimana operasi tersebut akan disusun kedalam multilayered feedforward network dengan empat lapisan yaitu input layer, pattern layer, summation layer, dan output layer. Ada keuntungan utama yang membedakan PNN adalah proses pelatihan yang cepat, struktur paralel yang tidak dapat dipisahkan, dijamin dalam menemukan klasifikasi optimal sesuai dengan peningkatan perwakilan data pelatihan, dan pelatihan dapat ditambahkan atau dihapus tanpa melakukan pelatihan ulang. Dengan demikian, PNN belajar lebih cepat dari pada banyak model jaringan saraf tiruan dan telah sukses dibeberapa aplikasi. Berdasarkan fakta tersebut, PNN dapat dilihat sebagai supervised neural network yang mampu diguanakan dalam masalah klasifikasi dan pengenalan pola (Mishra, 2013).

PNN merupakan tipe khusus dari radial basis neural network terutama dalam masalah klasifikasi. Seperi radial basis neural network, PNN menggunakan fungsi aktivasi dilapisan kedua yaitu hidden layer yang bertujuan untuk membuat local decision function yang berpusat pada sampel dari input layer. Setelah pelatihan, fungsi tersebut dijumlahkan pada summation layer. Hasil dari jumlah fungsi tersebut itu merupakan probabilitas. Sehingga probabilitas yang paling maximum masuk kedalam sebuah kelas yang spesifik. Neural network ini biasanya digunakan untuk masalah dengan dataset pelatihan berukuran kecil (Lotfi, 2014).

PNN memiliki beberapa layer, diantaranya yaitu input layer, radial basis layer, summation layer, dan output layer. Struktur dari jaringan PNN ini dapat dilihat pada Gambar 2.9.

26

Gambar 2.9 Arsitektur Probabilistic Neural Network (Palomino et al, 2014)

 Input Layer

Pada lapisan ini terdapat variabel vektor input yang akan dijadikan input kedalam jaringan. Nilai dari variabel ini merupakan hasil dari ekstraksi ciri dari setiap data yang diuji.

 Pattern Layer

Pada lapisan ini dilakukan perhitungan kedekatan jarak antara vektor bobot dengan vektor input. Vektor bobot merupakan nilai dari data latih setiap kelas nya sedangkan vektor input merupakan nilai dari ekstraksi ciri data yang akan diuji. Proses yang terjadi pada lapisan ini menggunakan persamaan 2.17.

⁄ [

‖( )‖

]

Dimana : = gaussian kernel D = dimensi vector x

= spread / smoothing parameter = vektor pengujian

= vektor pelatihan ke j dari kelas i

Tidak terdapat metode untuk menentukan nilai dari smoothing parameter sehingga digunakan teknik trial and error.

 Summation Layer

Pada lapisan ini menghitung penjumlahan kemungkinan maksimum dari setiap i-neuron pada lapisan pattern layer dengan kelas yang sama dan dirata-ratakan dengan jumlah data uji masing-masing kelas. Proses yang terjadi dengan menggunakan persamaan 2.18.

⁄ ∑ [

‖( )‖

]

Dimana : = fungsi kepadatan probabilitas D = dimensi vector x

= spread / smoothing parameter N = jumlah data latih pada kelas i

= vektor pengujian

= vektor pelatihan ke j dari kelas i

 Output Layer

Pada lapisan terakhir ini dibandingkan nilai antara hasil dari dua kelas. Nilai probabilitas yang tertinggi maka akan dikelompokkan menjadi kelas tersebut. Proses yang dilakukan pada lapisan ini dengan menggunakan persamaan 2.19.

Dimana :

(2.18)

28

a. Proses Pelatihan (training)

Proses pelatihan terdiri langkah yang unik, yaitu bobot masing-masing neuron pada pattern layer terbentuk oleh vektor karakteristik dari masing-masing data pelatihan.

b. Proses Pengujian (testing)

Pada tahap pengujian, data input / data uji yang akan akan diklasifikasikan akan mengalami proses yang seperti pada arsitektur Gambar 2.9. Dimana data uji akan masuk kedalam pattern layer, proses yang terjadi yaitu dengan menerapkan fungsi gaussian kernel. Kemudian, selanjutnya masuk kelapisan summation layer dimana dilakukan penjumlahan hasil dari fungsi gaussian kernel yang dikelompokkan dari kelas yang sama kemudian dirata-ratakan dengan jumlah data uji dari masing-masing kelas. Pada tahap ini menggunakan fungsi kepadatan probabilitas. Tahap terakhir yaitu mengambil nilai probabilitas yang tertinggi akan masuk kedalam kelas tersebut. Tahap ini menggunakan bayes’s decision.

2.6.Penelitian Terdahulu

Beberapa penelitian sebelumnya telah dilakukan, diantaranya pernah dilakukan untuk mengidentifikasi hypertensive melalui analisis fundus images dengan menghitung rasio vena arteri. Pada tahap preprocessing, menggunakan metode Adaptive Histogram Equalization (AHE) yang digunakan untuk menyamakan kecerahan dan kontras yang berbeda setelah melewati tahap green channel. Metode yang lain digunakan yaitu Radon Transform untuk segmentasi pembuluh darah dan menggunakan Hough Transform untuk mendeteksi optic disk. Deteksi dan identifikasi optic disk sangat signifikan dalam menemukan region of interest (ROI) yang merupakan wilayah standar untuk menghitung rasio vena arteri. Hasil perhitungan dari rasio vena arteri ini yang akan dimanfaatkan oleh dokter untuk identifikasi penyakit hypertensive retinopathy dan akurasi yang dicapai 92% (Noronha et al., 2012).

Penelitian selanjutnya yaitu bertujuan untuk segmentasi pembuluh darah pada pasien penyakit diabetic retinopathy. Tahapan yang dilakukan untuk segmentasi pembuluh darah yang dilakukan adalah mengubah citra RGB menjadi green channel, meningkatkan kontras dengan menggunakan contrast limited adaptive histogram

equalization, eliminasi optical disk dengan menggunakan morphological close, background exclusion, dan pembentukan citra biner dengan menggunakan thresholding (Joshi et al., 2012).

Penelitian selanjutnya yaitu dilakukan pada penyakit hypertensive retinopathy dan Cerebral Autosomal Dominant Arteriopathy with Subcortical Infarcts and Leukoencephalopathy (CADASIL). Penilaian kuantitaif rasio vena arteri, indeks tortuositas dan fractal dimension dilakukan setelah ekstraksi pembuluh darah. Fractal dimension menggunakan algoritma Box Counting. Salah satu hasil dari penelitian ini mengatakan bahwa fractal dimension yang didapatkan dari penyakit hypertensive retinopathy lebih rendah dibandingkan dengan mata sehat (Cavallari et al., 2015).

Penelitian berikutnya dilakukan pada 3 kondisi yaitu pada pasien mata sehat, diabetic retinopathy, dan glaucoma. Fractal analysis dan invariant moments merupakan metode yang dipilih untuk tahap ekstraksi ciri setelah dilakukan ekstraksi pembuluh darah kemudian diubah menjadi citra biner yang menggunakan kirsch’s templates dan metode linear discriminant analysis untuk tahap klasifikasi. Pada penelitian ini akurasi yang dicapai sangat tinggi sebesar 99,2% (Hutson et al., 2016).

Penelitian berikutnya yaitu meningkatkan teknik segmentasi pembuluh darah citra retina agar dalam mendeteksi ataupun mengidentifikasi suatu penyakit didapatkan hasil yang akurat. Tahapan yang dilakukan yaitu pembentukan green channel dari citra retina RGB, morphological operation, menghilangkan noise dengan menggunakan rician denoise. Kemudian tahap segmentasi menggunakan thresholding dan tahap terakhir yaitu post processing dengan menggunakan length filtering dan connected component analysis. Akurasi yang dicapai sebesar 94,35% pada data DRIVE & 94,49% pada data STARE (Mehta et al., 2016).

Penelitian berikutnya yaitu mendiagnosis penyakit diabetes tipe II. Metode yang digunakan pada penelitian ini yaitu probabilistic neural network. Neural network ini memiliki kemampuan untuk mendiagnosa dengan kesalahan minimum. Penelitian ini diterapkan dalam bidang data mining dan dataset yang digunakan dari Pima Indians Diabetes dan akurasi yang dicapai sebesar 81,49% (Soltani et al., 2016).

Penelitian selanjutnya dilakukan untuk mengidentifikasi penyakit pada daun teh. Penyakit yang akan di identifikasi diantaranya yaitu helopeltis dan blister blight. Sebelum masuk ketahap ekstrasi ciri, citra daun teh dilakukan pengolahan citra yaitu dilakukannya resizing dan grayscale. Kemudian pada tahap segmentasi dilakukan

30

deteksi tepi menggunakan sobel. Metode nvariant moments dipilih untuk tahap ekstraksi ciri dan metode PNN untuk tahap klasifikasi dan akurasi yang dicapai sebesar 90% (Oktariani, 2016).

Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada Tabel 2.4.

Tabel 2.4. Penelitian Terdahulu

No Peneliti Tahun Metode Accuracy

1 Noronha et al 2012

Adaptive Histogram Equalization & Radon

Transform

92%

2 Joshi et al 2012

Contrast Limited Adaptive Histogram Equalization & Morphological Operation

-

3 Cavallari et al 2015 BRetina Algorithm & Box

Counting -

4 Hutson et al 2016

Box Counting , Invariant Moments, Linear Discriminat

Analysis

99.2%

5 Mehta et al 2016

Morphological Operation, Rician Denoise Method, Connected Component Analysis

94,35% & 94,49% 6 Soltani et al 2016 Probabilistic Neural Network 81,49% 7 Oktariani 2016 Probabilistic Neural Network 90%

PENDAHULUAN

1.1.Latar Belakang

Hypertensive retinopathy adalah penyakit yang merusak retina mata dan mengakibatkan hilangnya penglihatan dan erat terkait dengan hypertensive (Narasimhan et al., 2012). Hypertensive / tekanan darah tinggi sering tidak menunjukkan gejala, namun disadari ketika setelah menyebabkan gangguan organ seperti stroke, retinopathy, fungsi jantung, dan penyakit lainnya. Penyakit ini biasanya ditemukan pada usia 15 tahun keatas namun semakin bertambahnya usia maka semakin besar kemungkinan mengidap penyakit tersebut.

Indonesia adalah salah satu Low and Middle - Income Countries (LMIC) yang jumlah penduduknya lebih dari 250 juta orang. Stroke, penyakit jantung koroner, dan penyakit jantung hypertensive selama lebih dari sepertiga dari semua kematian di Indonesia dengan hypertensive menjadi salah satu penyebab utama kematian. Hypertensive secara signifikan lebih tinggi pada wanita dibandingkan dengan pria (52,3% berbanding 43,1%, p-value < 0,001) (Hussain et al., 2016). Prevalensi penyakit ini di Indonesia yang didapat melalui pengukuran pada umur ≥ 18 tahun sebesar 25,8% dan prevalensi hypertensive cendrung lebih tinggi pada kelompok pendidikan lebih rendah dan kelompok tidak bekerja, kemungkinan akibat ketidaktahuan tentang pola makan yang baik (Riset Kesehatan Dasar, 2013).

Hypertensive retinopathy ditandai dengan pembengkakan pada pembuluh darah retina dikarenakan ketika terjadinya hypertensive, dinding pembuluh retina mengalami penebalan dan sehingga juga mengakibatkan masalah pada kinerja dari retina. Sehingga apabila tidak segera diobati maka akan terjadinya kebutaan hingga juga dapat mengakibatkan kematian. Analisis dan deteksi pembuluh darah retina sangat penting untuk dalam hal mengidentifikasi penyakit retina, seperti Diabetic Retinopathy, Hypertensive Retinopathy, Retinopathy of Prematury (ROP), Age-releated Mascular Degeneration (AMD), dan penyakit jantung (You et al., 2011).

2

Selain terjadinya pembengkakan pada pembuluh darah retina juga terdapat tanda-tanda seperti microaneurysm, cotton wool spot, hard exudates pada tingkat lanjut. Dan pada tingkat akut terdapat pembengkakan pada optic disk dan juga tanda pada tingkat sebelumnya (Downie et al, 2013).

Pada umumnya pemeriksaan dilakukan dengan anamnesis, pemeriksaan fisik, dan pemeriksaan menggunakan funduskopi. Dengan pemeriksaan ini, didapatkan gambaran pembuluh darah retina, papil, makula, dan fovea. Selain itu juga digunakan ophthalmoscope yang bersinar terang melalui pupil yang bertujuan untuk memeriksa bagian belakang mata apakah ada penyempitan pembuluh darah ataupun kebocoran dari pembuluh darah tersebut. Pemeriksaan ini masih dilakukan secara manual sehingga menghabiskan waktu kurang dari 10 menit untuk menyelesaikannya (Badii, 2016). Pemeriksaan yang secara lengkap dilakukan oleh dokter spesialis mata. Berdasarkan data depkes, jumlah dokter spesialis mata di Indonesia pada tahun 2013 berjumlah sekitar 1,938 orang, dengan penyebaran 45% di pulau jawa, sedangkan 65% nya tersebar diluar pulau jawa. Sementara jumlah penduduk Indonesia melebihi jutaan orang (Dirjen Bina Upaya Kesehatan Kementrian Kesehatan, 2014).

Penelitian dengan menggunakan citra fundus retina ini sebelumnya juga pernah dilakukan untuk mengidentifikasi hypertensive retinopathy dengan menghitung rasio vena arteri. Pada tahap preprocessing, metode yang digunakan yaitu metode adaptive histogram equalization untuk menyamakan kecerahan dan kontras yang berbeda setelah melewati tahap green chanel. Kemudian radon transform untuk segmentasi pembuluh darah dan hough transform untuk mendeteksi optic disk (Noronha et al., 2012). Penelitian selanjutnya yaitu bertujuan untuk segmentasi pembuluh darah pada pasien penyakit diabetic retinopathy. Metode yang digunakan pada penelitian ini yaitu green channel, contrast limited adaptive histogram equalization, morphological close, background exclusion, dan thresholding (Joshi et al., 2012). Penelitian selanjutnya yaitu dilakukan pada penyakit hypertensive retinopathy dan Cerebral Autosomal Dominant Arteriopathy with Subcortical Infarcts and Leukoencephalopathy (CADASIL). Penilaian kuantitaif rasio vena arteri, indeks tortuositas dan fractal dimension dilakukan setelah ekstraksi pembuluh darah. (Cavallari et al., 2015). Penelitian berikutnya dilakukan pada 3 kondisi yaitu pada pasien mata sehat, diabetic retinopathy, dan glaucoma. Fractal analysis dan invariant moments merupakan metode yang dipilih untuk tahap ekstraksi ciri setelah dilakukan

ekstraksi pembuluh darah kemudian diubah menjadi gambar biner yang menggunakan

kirsch’s templates dan metode linear discriminant analysis untuk tahap klasifikasi. Pada penelitian ini akurasi yang dicapai sangat tinggi (Hutson et al., 2016). Penelitian berikutnya yaitu meningkatkan teknik segmentasi pembuluh darah citra retina. Metode yang digunakan yaitu green channel, morphological operation, rician denoise, thresholding, length filtering, dan connected component analysis (Mehta et al., 2016).

Pada penelitian kali ini, penulis menggunakan metode Probabilistic Neural Network (PNN) untuk mengidentifikasi penyakit hypertensive retinopathy melalui citra fundus retina.Probabilistic Neural Network (PNN) berasal dari metode teorema Bayes untuk probabilitas bersyarat dan metode Parzen untuk memperkirakan fungsi kepadatan probabilitas variabel acak. PNN pertama kali diperkenalkan oleh Specht pada tahun 1990 yang menunjukkan bagaimana Bayes Parzen Classifier bisa dipecah menjadi sejumlah besar dari proses sederhana dan diimplementasikan kedalam jaringan saraf multilayer (Shahana et al, 2016). PNN dapat didefnisikan sebagai implementasi dari algoritma statistik yang biasa disebut dengan kernel diskriminasi analisi dimana operasi tersebut akan disusun kedalam multilayered feedforward network dengan empat lapisan yaitu input layer, pattern layer, summation layer, dan output layer. Ada keuntungan utama yang membedakan PNN adalah proses pelatihan yang cepat, struktur paralel yang tidak dapat dipisahkan, dijamin dalam menemukan klasifikasi optimal sesuai dengan peningkatan perwakilan data pelatihan, dan pelatihan dapat ditambahkan atau dihapus tanpa melakukan pelatihan ulang. Dengan demikian, PNN belajar lebih cepat dari pada banyak model jaringan saraf tiruan dan telah sukses dibeberapa aplikasi. Berdasarkan fakta tersebut, PNN dapat dilihat sebagai supervised neural network yang mampu diguanakan dalam masalah klasifikasi dan pengenalan pola (Mishra, 2013).

Penelitian yang menggunakan PNN ini sudah pernah dilakukan sebelumnya yang digunakan untuk mengidentifikasi penyakit diabetes tipe II. Neural network ini memiliki kemampuan untuk identfikasi dengan kesalahan minimum. Penelitian ini diterapkan dalam bidang data mining dan dataset yang digunakan didapat dari Pima Indians Diabetes (Soltani et al., 2016). Penelitian selanjutnya dilakukan untuk mengidentifikasi penyakit pada daun teh. Penyakit yang akan di identifikasi diantaranya yaitu helopeltis dan blister blight. Sebelum masuk ketahap ekstrasi ciri, citra daun teh dilakukan pengolahan citra yaitu dilakukannya resizing dan grayscale.

4

Kemudian pada tahap segmentasi dilakukan deteksi tepi menggunakan sobel. Metode nvariant moments dipilih untuk tahap ekstraksi ciri dan metode PNN untuk tahap klasifikasi (Oktariani, 2016).

Berdasarkan latar belakang diatas, maka penulis mengajukan penelitian

dengan judul “IDENTIFIKASI PENYAKIT HYPERTENSIVE RETINOPATHY

MELALUI CITRA FUNDUS RETINA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ”. Metode yang akan digunakan merupakan gabungan dari penelitian yang sebelumnya, sehingga diharapkan hasil dari penelitian ini dapat mencapai akurasi yang tinggi dan bermanfaat dalam bidang kesehatan.

1.2.Rumusan Masalah

Hypertensive retinopathy merupakan penyakit yang merusak retina mata dan juga mengakibatkan kebutaan pada tingkat lanjut. Penyakit ini ditandai dengan pembengkakan pada pembuluh darah retina dikarenakan ketika terjadinya hypertensive, dinding pembuluh retina mengalami penebalan dan mengakibatkan masalah pada kinerja dari retina. Pada umumnya, untuk pemeriksaan penyakit ini dilakukan pemeriksaan funduskopi dan ophthalmoscope oleh dokter mata. Sementara pemeriksaan tersebut masih dilakukan secara manual. Oleh karena itu, diperlukan suatu metode untuk membantu dokter mata dalam mengidentifikasi penyakit hypertensive retinopathy melalui citra fundus retina secara otomatis.

1.3.Batasan Masalah

Pada penelitian ini peneliti membuat batasan masalah untuk mencegah meluasnya ruang lingkup permasalahan dalam penelitian ini. Adapun batasan masalah tersebut, diantaranya yaitu:

1. Citra yang digunakan yaitu citra fundus retina dari dataset Structured Analysis of the Retina (STARE).

2. Ekstensi dari citra fundus retina yang digunakan adalah .ppm.

3. Resolusi citra fundus retina yang akan digunakan sebesar 700 x 605 pixel. 4. Identifikasi yang dilakukan yaitu penyakit hypertensive retinopathy.

1.4.Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengidentifikasi penyakit Hypertensive Retinopathy melalui citra fundus retina menggunakan Probabilistic Neural Network.

1.5.Manfaat Penelitian

Adapun manfaat penelitian ini diantara lain yaitu :

1. Membantu identifikasi penyakit hypertensive retinopathy melalui citra fundus retina.

2. Memberi masukan untuk penelitian lain dalam bidang image processing. 3. Menambah pengetahuan dan wawasan penulis dan pembaca.

1.6.Metodologi Penelitian

Adapun tahapan – tahapan yang akan dilakukan pada penelitian ini adalah : 1. Studi Literatur

Pada tahapan ini dilakukan pengumpulan dan mempelajari informasi yang diperoleh dari buku, skripi, jurnal, dan berbagai sumber informasi lainnya. Informasi yang berkaitan dengan penelitian tersebut seperti hypertensive retinopathy, green channel, contrast limited adaptive histogram equalization (clahe), morphological closing, subtraction, thresholding, connected component analysis, fractal dimension yang menggunakan algoritma box counting, ekstraksi fitur bentuk menggunakan invariant moments, dan probabilistic neural network.

2. Analisis Permasalahan

Pada tahapan ini dilakukan analisis terhadap tahapan sebelumnya yaitu studi literatur dimana dilakukannya pengumpulan bahan referensi untuk mendapatkan pemahaman tentang metode yaang akan digunakan dalam menyelesaikan permasalahan yaitu mengidentifikasi penyakit hypertensive retinopathy melalui citra fundus retina.

DAFTAR TABEL

Halaman Tabel 2.1 Ringkasan dari hubungan antara klasifikasi sederhana dari

hypertensive retinopathy dan penyakit cardiovascular 11

Tabel 2.2 Model 4-konektivitas 20

Tabel 2.3 Model 8-konektivitas 21

Tabel 2.4 Penelitian Terdahulu 29

Tabel 4.1 Rangkuman data citra retina 48

DAFTAR GAMBAR

Halaman

Gambar 2.1 Citra fluorescein angiography 10

Gambar 2.2 Mild hypertensive retinopathy 11

Gambar 2.3 Moderate hypertensive retinopathy 12

Gambar 2.4 Malignant hypertensive retinopathy 12

Gambar 2.5 Koordinat citra 13

Gambar 2.6 Citra biner 14

Gambar 2.7 Citra grayscale 15

Gambar 2.8 Citra warna 15

Gambar 2.9 Arsitektur probabilistic neural network 25

Gambar 3.1 Arsitektur Umum 31

Gambar 3.2 Citra retina asli 33

Gambar 3.3 Perbandingan channel 33

Gambar 3.4 Perbandingan hasil proses CLAHE & HE 34

Gambar 3.5 Citra hasil morphological close 34

Gambar 3.6 Citra hasil background exclusion 35

Gambar 3.7 Citra hasil thresholding 35

Gambar 3.8 Citra hasil connected component analysis 36

Gambar 3.9 Pembagian kotak 37

Gambar 3.10 Pseudocode proses pelatihan metode PNN 40

Gambar 3.11 Proses pengujian metode PNN 41

Gambar 3.12 Struktur menu sistem 42

Gambar 3.13 Rancangan tampilan splash 43

Gambar 3.14 Rancangan gambar halaman utama 44

Gambar 3.15 Rancangan halaman utama training 45

Gambar 4.1 Tampilan halaman splash 47

Gambar 4.4 Tampilan saat menu diklik 51 Gambar 4.5 Tampilan ketika salah satu button upload citra diklik 52 Gambar 4.6 Tampilan setelah file citra retina dipilih 52 Gambar 4.7 Tampilan ketika training telah selesai diproses 53

Gambar 4.8 Tampilan ketika citra telah dipilih 53

Gambar 4.9 Tampilan setelah citra dipilih 54

Gambar 4.10 Tampilan green channel saat diperbesar 55

Gambar 4.11 Tampilan CLAHE saat diperbesar 55

Gambar 4.12 Tampilan morphological close saat diperebesar 56 Gambar 4.13 Tampilan background exclusion saat diperebesar 56 Gambar 4.14 Tampilan thresholding saat diperebesar 57 Gambar 4.15 Tampilan connected component analysis saat diperebesar 57

UCAPAN TERIMA KASIH

Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

Ucapan terima kasih penulis sampaikan kepada:

1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fasilkom-TI USU.

3. Bapak Muhammad Anggia Muchtar, ST., MM.IT selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.

4. Bapak Mohammad Fadly Syahputra, B.Sc, M.Sc, IT selaku Sekretaris Program Studi S1 Teknologi Informasi Universitas Sumatera Utara dan Dosen Pembimbing I yang telah memberikan bimbingan dan saran kepada penulis. 5. Bapak Romi Fadillah Rahmat B.Comp.Sc., M.Sc selaku Dosen Pembimbing II

yang telah memberikan bimbingan dan saran kepada penulis.

6. Ibu Sarah Purnamawati, ST., M.Sc selaku Dosen Pembanding I yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

7. Bapak Ivan Jaya, M.Kom selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

8. Ayahanda Sudirman(alm) yang sudah lama tiada di dunia ini dan Ibunda Yurnita yang selalu memberikan doa, kasih sayang, nasehat, dan semangat yang tiada putusnya kepada penulis.

9. Ilham Sugita dan Ihsan Nur Alam selaku adik-adik saya yang selalu memberikan semangat kepada penulis.

10. Keluarga besar dari ayahanda dan ibunda yang juga selalu memberikan dukungan dan semangat kepada penulis.

11. Pria yang selalu memberikan doa, nasehat, yang selalu mendengarkan keluh kesah penulis saat pengerjaan skripsi ini, memberikan dukungan dan semangat kepada penulis Syawaluddin Manik, Amd.

12. Sahabat pena hingga sekarang Melia Erika, A.Md. Keb dan drh. Fitri Novita yang walau jarak memisahkan tiada henti semangat dan dukungan yang diberikan kepada penulis.

13. Sahabat rangers Annisa Faradina,S.Kom, Endang Windarsih,S.Kom, Ranti Ramadhiana,S.Kom, Rona Idona Vynaima Simbolon,S.Kom, Siti Fatimah,S.Kom, Siti Hazizah Harahap,S.Kom dan Nurchalissa Saragih,S.Kom yang selalu memberikan dukungan, mendengar keluh kesah saat pengerjaan skripsi ini, menampung segala hal cerita yang lagi senang, bahagia, sedih, memberikan nasehat dan sebagai saudara yang berbeda orangtua.

14. Safrina,S.Kom selaku senior sekaligus sudah dianggap kakak sendiri walaupun umur terkait jauh lebih tua penulis yang selalu memberikan semangat, dukungan, dan bantuan kepada penulis dalam mengerjakan skripsi ini.

15. Regania Pasca Rachsy sebagai sister yang selalu memberikan nasehat, semangat dan juga dukungan kepada penulis.

16. Senior-senior yang terbaik Tengku Chairunnisa,S.Kom, Nurul Fatihah, S.Kom, Ade Oktriani,S.Kom, Rauva Chairani,S.Kom, Chairunnisaq,S.Kom, Handra Saito,S.Kom, Reza Taqyuddin,S.Kom, Ilham Akbar,S.Kom yang telah mau direpotin, memberikan masukan, dan memotivasi penulis dalam pengerjaan skripsi.

17. Teman-teman Teknologi Informasi USU terkhusus angkatan 2012, abangnda dan kakanda angkatan 2011 dan 2010 dan buat adik-adik angkatan 2013, 2014,dan 2016 yang juga memberikan semangat kepada penulis.

18. Jumi Hartati, S.Sos teman sekamar satu kos yang juga selalu memberikan nasehat, semangat, dan dukungan kepada penulis.

19. Ibu kos Evrillawati yang selalu menampung curahatan hati penulis, memberi nasehat, semangat dan juga dukungan kepada penulis ketika mengerjakan skripsi ini.

20. Teman-teman beserta adik-adik kos Ayu Azura,SS, Nurmawati, Iffah Karima Putri, Erma Suryaningrum, Wilsa Kesuma, Fitri Aulia Sari, Wahyu Annisa Hsb,

Mayang Azura,dan Nizamul Hayati yang juga memberi semangat dan dukungan kepada penulis.

21. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.

Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.

Medan, Januari 2017