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.
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
σ
Universitas Sumatera Utara
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
8 im0240.ppm
normal normal
Universitas Sumatera Utara
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
16 im0265.ppm
HR HR
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
untuk ekstraksi ciri yang bagus dalam mengenali objek.
Universitas Sumatera Utara