CLUSTERING FITUR DIABETIC RETINOPATHY MENGGUNAKAN FUZZY K-MEANS...

i

CLUSTERING FITUR DIABETIC RETINOPATHY

MENGGUNAKAN FUZZY K-MEANS

SKRIPSI

Oleh:

FARIZ YUSTRIANDY

07650013

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI (UIN)

MAULANA MALIK IBRAHIM MALANG

2013

ii



SKRIPSI

Diajukan kepada:

Fakultas Sains dan Teknologi

Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang

Untuk Memenuhi Salah Satu Persyaratan

Guna Memperoleh Gelar Strata Satu Sarjana Teknik Informatika (S.Kom)

Oleh :

FARIZ YUSTRIANDY

07650013

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI (UIN) MAULANA MALIK IBRAHIM

MALANG

2013

iii

LEMBAR PERSETUJUAN



SKRIPSI

Oleh :

Nama : Fariz Yustriandy

NIM : 07650013

Jurusan : Teknik Informatika

Fakultas : Sains dan Teknologi

Telah Disetujui, 31 Oktober 2013

Dosen Pembimbing I Dosen Pembimbing II

Dr. M. Faisal, M.T M. Imammudin ,Lc, M.A

NIP. 19740510 200501 1 007 NIP. 19740602 200901 1 010

Mengetahui,

Ketua Jurusan Teknik Informatika

Fakultas Sains dan Teknologi

Universitas Islam Negeri Maulanan Malik Ibrahim Malang

Dr. Cahyo Crysdian

NIP. 19740424 200901 1 008

iv

LEMBAR PENGESAHAN



SKRIPSI

Oleh

Fariz Yustriandy

NIM. (07650013)

Telah Dipertahankan di Depan Dewan Penguji Tugas akhir dan

Dinyatakan Diterima Sebagai Salah Satu Persyaratan Untuk

Memperoleh Gelar Sarjana Komputer (S.Kom)

Tanggal, 21 November 2013

Susunan Dewan Penguji Tanda Tangan

1. Penguji Utama : Dr. Cahyo Crysdian ( )

NIP. 19740424 200901 1 008

2. Ketua : Zainal Abidin, M.Kom ( )

NIP. 19760613 200501 1 004

3. Sekretaris : Dr. Muhammad. Faisal, M.T ( )

NIP. 19740510 200501 1 007

4. Anggota : M. Imammudin ,Lc, M.A ( )

NIP. 19740602 200901 1 010

Mengetahui dan Mengesahkan,

Ketua JurusanTeknik Informatika

Dr. Cahyo Crysdian

NIP. 19740424 200901 1 008

v

ORISINALITAS PENELITIAN

Saya yang bertanda tangan di bawah ini:

Nama : Fariz Yustriandy

NIM : 07650013

Fakultas / Jurusan : Sains dan Teknologi / Teknik Informatika

Judul Penelitian : CLUSTERING FITUR DIABETIC RETINOPATHY


Menyatakan dengan sebenar-benarnya bahwa hasil penelitian saya ini tidak

terdapat unsur-unsur penjiplakan karya penelitian atau karya ilmiah yang pernah

dilakukan atau dibuat oleh orang lain, kecuali yang secara tertulis dikutip dalam

naskah ini dan disebutkan dalam sumber kutipan dan daftar pustaka.

Apabila ternyata hasil penelitian ini terbukti terdapat unsur-unsur penjiplakan,

maka saya bersedia untuk mempertanggung jawabkan, serta diproses sesuai peraturan

yang berlaku.

Malang, 21 November 2013

Yang Membuat Pernyataan,

Fariz Yustriandy

NIM. 07650013

vi

MOTTO

vii

PERSEMBAHAN

Dengan mengucap puji dan syukur kepada Allah, kupersembahkan sebuah

karya kecilku untuk orang-orang yang kusayangi:

Bapak dan Ibu (Yusuf Ismail Nakhoda & Tri Tabiyaningsih) tercinta, yang

telah memberikan segalanya, kasih sayang, perhatian, motifasi, nasihat, dan

semuanya yang tidak dapat disebutkan satu persatu.

Adik-adikku (Anshar Affandy dan Nadia Savitri) tersayang serta seluruh

keluarga besarku. Kepada Fina Farida terimakasih atas semangat yang

diberikan sehingga penulis dapat menyelesaikan tugas akhir ini.

Terimakasih kepada sahabat-sahabat perjuanganku Agung, Fazri, Sugeng,

Totok, Heri, Azhar, dan teman-teman Teknik Informatika angkatan 2007

terimakasih atas kekompakannya selalu, serta teman-teman yang tidak bisa

disebutkan satu-persatu terimakasih atas dukungan dan motivasinya.

Terimakasih kepada admin jurusan TI, beserta seluruh pihak yang

membantu, dan menberi dukungan kepada penulis.

Tidak lupa terimakasih kepada sahabat-sahabat SMA Laboratorium UM

lulusan 2007 terutama Tony, Antok, dan Rochim yang selalu memberi

semangat serta motivasi tiada henti.

Semoga kita senantiasa menjadi hamba yang bersyukur, bermanfaat untuk

diri sendiri dan orang lain, diberkahi, serta dirahmati oleh Allah SWT ...

Amien...

viii

KATA PENGANTAR

Assalamu'alaikum Wr. Wb.

Alhamdulillah, segala puja dan puji syukur kami panjatkan kehadirat Allah

SWT yang Maha Pengasih lagi Maha Penyayang yang telah memberikan rahmat,

taufik, hidayah dan inayah-Nya kepada kita serta memberikan nikmat Islam dan Iman

serta tak lupa nikmat kesehatan yang diberikan kepada penulis khususnya sehingga

penulis dapat menyelesaikan karya ilmiah dengan judul “Clustering Fitur Diabetic

Retinopathy Menggunakan Fuzzy K-Means”. Penelitian ini dimaksudkan untuk

memenuhi salah satu syarat dalam meraih gelar Sarjana Komputer (S.Kom) di

Fakultas Sains dan Teknologi Jurusan Teknik Informatika Universitas Islam Negeri

(UIN) Maulana Malik Ibrahim Malang.

Penulis menyadari bahwa banyak pihak yang telah membantu dalam

menyelesaikan penulisan tugas akhir ini. Untuk itu, iringan doa dan ucapan terima

kasih yang sebesar-besarnya penulis sampaikan kepada:

1. Bapak Dr. M. Faisal, MT selaku dosen pembimbing I yang telah meluangkan

waktu untuk membimbing, memotivasi, mengarahkan, serta memberikan saran,

kemudahan dan kepercayaan kepada penulis dalam menyelesaian skripsi.

2. Bapak M. Imammudin, Lc, MA selaku dosen pembimbing II yang telah

membimbing, memotivasi, mengarahkan, memberi kemudahan, dan

melancarkan proses penyelesaian skripsi.

3. Seluruh Dosen Jurusan Teknik Informatika Fakultas Sains dan Teknologi

Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang yang telah

mengalirkan ilmu, pengetahuan, pengalaman, dan wawasan, sebagai pedoman

dan bekal bagi penulis.

4. Program Messidor selaku mitra program riset diabetic retinopathy yang telah

memberikan kontribusi berupa penyediaan data penelitiaan yang penulis ambil

dari database Messidor dengan alamat http://messidor.crihan.fr.

5. Dan semua pihak yang tidak dapat penulis sebutkan satu-persatu. Penulis

ucapkan terimakasih atas bantuan dan motivasinya.

ix

Akhirnya atas segala kekurangan dari penyusunan skripsi ini, sangat diharapkan

kritik dan saran yang bersifat konstruktif dari semua pembaca demi memperbaiki

kualitas penulisan selanjutnya. Semoga apa yang telah tertulis di dalam skripsi ini

dapat memberikan kontribusi yang bermanfaat dan menambah khasanah ilmu

pengetahuan. Amien...

Wassalamu'alaikum Wr. Wb.

Malang, 21 November 2013

Penulis

x

DAFTAR ISI

HALAMAN JUDUL ........................................................................................... i

HALAMAN PENGAJUAN ................................................................................ ii

HALAMAN PERSETUJUAN ........................................................................... iii

LEMBAR PENGESAHAN ................................................................................ iv

ORISINALITAS PENELITIAN ........................................................................ v

MOTTO ............................................................................................................... vi

HALAMAN PERSEMBAHAN ......................................................................... vii

KATA PENGANTAR ......................................................................................... viii

DAFTAR ISI ........................................................................................................ x

DAFTAR GAMBAR ........................................................................................... xiii

DAFTAR TABEL ............................................................................................... xv

ABSTRAK ........................................................................................................... xvi

ABSTRACT .........................................................................................................xvii

BAB I PENDAHULUAN

1.1 Latar Belakang ................................................................................................. 1

1.2 Rumusan Masalah ............................................................................................ 7

1.3 Batasan Masalah ............................................................................................... 7

1.4 Tujuan Penelitian ............................................................................................. 8

1.5 Manfaat Penelitian ........................................................................................... 8

1.6 Metode Penelitian ............................................................................................. 8

1.7 Sistematika Penulisan ...................................................................................... 9

BAB II TINJAUAN PUSTAKA

2.1 Penelitian yang Telah Dilakukan ..................................................................... 11

2.2 Pengenalan Mata .............................................................................................. 14

2.3 Anatomi Mata ................................................................................................... 14

2.4 Pengantar Diabetes ........................................................................................... 18

2.5 Diabetic Retinopathy ........................................................................................ 19

2.6 Pengolahan Citra .............................................................................................. 23

xi

2.7 Operasi Pengolahan Citra ................................................................................. 24

2.8 Lingkungan Kerja Matlab ................................................................................ 27

2.8.1 Beberapa Bagian dari Window Matlab .................................................. 27

2.8.1.1 Getting Help .............................................................................. 28

2.8.1.2 Interpting dan Terminating dalam Matlab.................................. 28

2.8.2 Variabel pada Matlab ............................................................................. 28

2.8.2.1 Matriks ....................................................................................... 29

2.8.3 Operator ................................................................................................. 30

2.8.4 Fungsi Matematika Lainnya .................................................................. 30

2.8.5 M-File .................................................................................................... 31

2.9 Algoritma Fuzzy K-Means ............................................................................... 31

2.10 Pentingnya Mendeteksi Awal Suatu Penyakit dalam Islam ........................... 36

2.10.1 Pandangan Islam pada Penyakit ........................................................... 36

2.10.2 Pengobatan Penyakit pada Islam ......................................................... 37

BAB III METODE PENELITIAN

3.1 Lingkungan Perancangan Perangkat Keras ...................................................... 39

3.2 Lingkungan Perancangan Perangkat Lunak ..................................................... 39

3.3 Desain Sistem ................................................................................................... 40

3.3.1 Desain Data Sistem ................................................................................ 40

1. Data Masukan .................................................................................... 41

2. Data Proses ........................................................................................ 41

3. Data Keluaran `................................................................................... 41

3.3.2 Desain Proses Sistem ............................................................................. 42

1. Input Citra .......................................................................................... 43

2. Proses Pre-processing ........................................................................ 44

3. Proses Segmentasi ............................................................................. 48

4. Extraksi Fitur ..................................................................................... 53

5. Clustering Fitur Diabetic Retinopathy ............................................... 55

3.4.3 Perancangan Antar Muka ....................................................................... 56

xii

BAB IV HASIL DAN PEMBAHASAN

4.1 Lingkungan Implementasi ................................................................................ 58

4.2 Penjelasan Program .......................................................................................... 59

4.2.1 Proses Menampilan Halaman Utama ..................................................... 59

4.2.2 Proses Input Citra ................................................................................... 60

4.2.3 Proses Pre-processing ............................................................................ 62

4.2.4 Proses Segmentasi .................................................................................. 63

4.2.5 Proses Extraksi Fitur .............................................................................. 64

4.2.6 Proses Clustering Fitur Diabetic Retinopathy ........................................ 66

4.2.7 Proses Tampilan Hasil Citra .................................................................. 68

4.2.8 Fungsi Pendukung .................................................................................. 69

4.3 Uji Coba ........................................................................................................... 73

BAB V PENUTUP

5.1 Kesimpulan ...................................................................................................... 78

5.2 Saran ................................................................................................................. 78

DAFTAR PUSTAKA ........................................................................................... 79

xiii

DAFTAR GAMBAR

Gambar 1.1 (a) Struktur mata. (b) Foto digital fundus retina normal .................... 1

Gambar 1.2 Bentuk fundus tidak normal akibat terinfeksi diabetic retinopathy,

microneurisym & haemorrhages ........................................................ 2

Gambar 2.1 Anatomi mata ..................................................................................... 15

Gambar 2.2 Alat funduscopi Topcon TRC NW 6 non-mydriatic retinograph ...... 19

Gambar 2.3 Haemorrhage pada pendetita diabetic retinopathy ............................. 21

Gambar 2.4 Soft exudate pada penderita diabetic retinopathy .............................. 22

Gambar 2.5 Hard exudate pada penderita diabetic retinopathy ............................. 22

Gambar 2.6 Retina yang terkena cotton wool ........................................................ 23

Gambar 2.7 Tampilan Matlab versi 7.0 ................................................................. 27

Gambar 2.8 Contoh gambar M-File ....................................................................... 31

Gambar 2.9 Ilustrasi algoritma fuzzy K-Means ..................................................... 35

Gambar 3.1 Diagram proses desain sistem clustering penyakit diabetic retinopathy

dengan menggunakan metode fuzzy K-Means .................................. 42

Gambar 3.2 Citra digital fundus mata berwarna .................................................... 43

Gambar 3.3 Contoh proses RGB menjadi HSI ...................................................... 45

Gambar 3.4 Diagram deteksi blood vessels ........................................................... 47

Gambar 3.5 Contoh proses operasi closing ............................................................ 49

Gambar 3.6 Contoh proses operasi closing pada fundus mata ............................... 49

Gambar 3.7 Diagram deteksi optic disk ................................................................. 50

Gambar 3.8 Contoh proses deteksi optic disk pada fundus mata ........................... 50

Gambar 3.9 Diagram deteksi exudates ................................................................... 51

Gambar 3.10 Cotoh proses fillter colfilt pada fundus mata ................................... 51

Gambar 3.11 Diagram deteksi microaneurysms .................................................... 52

Gambar 3.12 Contoh proses deteksi microaneurysms pada fundus mata .............. 53

Gambar 3.13 Rancangan antarmuka aplikasi ......................................................... 57

Gambar 4.1 Tampilan form halaman utama .......................................................... 59

Gambar 4.2 Proses input citra ................................................................................ 60

Gambar 4.3 Sebaran nilai blood vessels ................................................................ 64

xiv

Gambar 4.4 Sebaran nilai exudates ........................................................................ 65

Gambar 4.5 Sebaran nilai microaneurysms ........................................................... 65

Gambar 4.6 Tampilan hasil pada form utama ........................................................ 68

xv

DAFTAR TABEL

Tabel 2.1 Operator aritmatika dua operand ............................................................ 30

Tabel 3.1 Ekstraksi fitur pada data training ........................................................... 54

Tabel 4.1 Lingkungan uji coba .............................................................................. 58

Tabel 4.2 Range fitur blood vessels ....................................................................... 64

Tabel 4.3 Range fitur exudates................................................................................ 65

Tabel 4.4 Range fitur microaneurysms ................................................................... 65

Tabel 4.5 Hasil deteksi diabetic retinopathy pada data training ............................ 73

Tabel 4.6 Hasil deteksi diabetic retinopathy pada data testing .............................. 76

xvi

ABSTRAK

Yustriandy, Fariz. 2013. Clustering Fitur Diabetic Retinopathy Menggunakan Fuzzy

K-Means. Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas

Islam Negeri (UIN) Maulana Malik Ibrahim Malang.

Pembimbing: (I) Dr. M. Faisal, MT (II) M. Imamudin, Lc. MA

Kata kunci: clustering, diabetic retinopathy, fuzzy K-Means

Diabetes mellitus adalah istilah kedokteran untuk sebutan penyakit yang dikenal

dengan penyakit gula. Penyakit ini diketahui dapat menimbulkan berbagai komplikasi

pada mata dan yang paling sering adalah diabetic retinopathy. Gejala yang dapat

ditemui oleh orang yang terkena penyakit ini adalah kesulitan dalam membaca,

penglihatan kabur, penglihatan tiba-tiba menurun pada satu mata, melihat lingkaran-

lingkaran cahaya, melihat bintik gelap, dan cahaya berkedip. Hal ini terjadi karena

ada rembesan darah yang mengenai lensa mata.

Penelitian dilakukan untuk membuat suatu aplikasi yang dapat menampilkan hasil

identifikasi diabetic retinopathy sesuai dengan tingkat stadiumnya yaitu normal dan

Non-Proliferate Diabetic Retinopathy (NPDR). Proses identifikasi dari diabetic

retinopathy, meliputi empat tahap utama yaitu pre-processing, segmentasi, ekstraksi

fitur, dan clustering.

Pada penelitihan ini proses pre-processing meliputi mengubah citra RGB menjadi

HSI serta meningkatan contrast. Sedangkan pada proses segmentasi meliputi

menghilangkan pembuluh darah, menghilangkan optic disk, deteksi exudates serta

deteksi microaneursym. Kemudian pengambilan nilai ekstraksi fitur dengan

menghitung area dari masing-masing objek, dan langkah terakhir yaitu proses

klasifikasi menggunakan metode fuzzy K-Means sehingga diabetic retinopathy dapat

dideteksi.

Aplikasi dapat mendeteksi diabetic retinopathy berdasarkan stadiumnya yaitu

Normal, Mild NPDR, Moderate NPDR, dan Severe NPDR dalam citra fundus yang

diujikan dengan persentase keberhasilan sebesar 97,69 % dari seluruh citra.

xvii

ABSTRACT

Yustriandy, Fariz. 2013. Clustering Features of Diabetic Retinopathy Using Fuzzy K-

Means. Department of Informatics, Faculty of Science and Technology, State Islamic

University (UIN) Maulana Malik Ibrahim Malang.

Preceptor: (I) Dr. M. Faisal, MT (II) M. Imamudin, Lc. MA

Keywords: clustering, diabetic retinopathy, fuzzy K-Means

Diabetes mellitus is a medical term for the disease known designations with diabetes.

This disease is known to cause various complications in the eyes, and the most

common is diabetic retinopathy. Symptoms that can be encountered by people

affected by this disease are difficulty in reading, blurred vision, sudden decreased

vision in one eye, seeing halos, seeing dark spots, and flashes of light. This happens

because there is seepage of blood on the lens of the eye.

The study was conducted to create an application that can display the result of the

identification of diabetic retinopathy in accordance with the level stage is normal and

Non-Proliferate Diabetic Retinopathy (NPDR). The process of identification of

diabetic retinopathy, includes four main phases, namely pre-processing,

segmentation, feature extraction, and clustering.

In these researches pre-processing process includes changing the RGB image into

HSI and increase contrast. While the segmentation process includes eliminating

blood vessels, eliminating the optic disc, as well as detection of exudates detection

microaneursym. Then taking the value of feature extraction by calculating the area of

each object, and the last step is the classification process using fuzzy K-Means that

diabetic retinopathy can be detected.

Applications can detect diabetic retinopathy based on the stage that is Normal, Mild

NPDR, Moderate NPDR, and Severe NPDR tested in a fundus image with a success

percentage of 97.69% of the entire image.

BAB I

PENDAHULUAN

1.1 Latar Belakang

Selama ini orang awam mengenal tersumbatnya pembuluh darah hanya

terjadi pada pembuluh darah di otak (stroke). Padahal kondisi ini bisa juga terjadi

pada pembuluh darah mata. Salah satu penyebab penyumbatan pembuluh darah

mata adalah penyakit diabetes mellitus atau biasa dikenal sebagai penyakit

diabetic retinopathy.

Fundus adalah permukaan dalam mata, yang terletak bertentangan dengan

lensa. Boleh dilihat dengan menggunakan “oftalmoskop.Px” fundus disebut

oftalmoskopi/funduskopi. Terdiri dari retina, makula, fovea, blind spot/optic disc

dan posterior pole (retina yang terletak antara macula dan optic disc). Gambar di

bawah ini menunjukkan bentuk visual mata normal dengan pembuluh darah mata

(retinal vasculature) dan pembuluh darah kecil yang sempurna.

Gambar 1.1 (a) Struktur mata. (b) Foto digital fundus retina normal

1

2

Gambar 1.2 Bentuk fundus tidak normal akibat terinfeksi

diabetic retinopathy, microneurisym & haemorrhages

Keterangan pada gambar 1.2 menunjukan adanya kerusakan pembuluh

darah mata kecil yang terindikasi sebagai penyakit diabetic retinopathy pada

golongan haemorrhage.

Salah satu tanda awal adanya diabetic retinopathy adalah munculnya

microneurysm. Microneurysm muncul karena melemahnya dinding terkecil dari

vessel. Luka yang terjadi pada vessel menyebabkan terbentuknya exudates yaitu

suatu titik yang terlihat berwarna kekuning-kuningan disekitar retina. Gejala yang

dapat ditemui dapat berupa: kesulitan membaca, penglihatan kabur, penglihatan

tiba-tiba menurun pada satu mata, melihat lingkaran-lingkaran cahaya, melihat

bintik gelap, dan cahaya berkedip (Iqbal dkk, 2006). Gejala ini terjadi karena ada

rembesan darah retina yang mengenai lensa mata.

Diabetic Retinopathy digolongkan menjadi tiga jenis: yaitu Background

Diabetic Retinopathy (BDR), Proliferate Diabetic Retinopathy (PDR) dan Severe

Diabetic Retinopathy (SDR). Tahap Background Diabetic Retinopathy arteri di

retina melemah dan mengalami kebocoran kecil, seperti titik haemorrhages.

3

Bocornya vessel mendorong terjadinya pembengkakan atau eudema retina dan

mengurangi ketajaman penglihatan. Tahap Proliferate Diabetic Retinopathy,

adanya masalah sirkulasi peredaran kekurangan oksigen atau ischemic. Vessels

membesar untuk menjaga peredaran oksigen di retina. Peristiwa ini disebut

neovascularisation dan selanjutnya akan terlihat exudates mulai soft exudates

sampai hard exudates. Tahap Severe Diabetic Retinopathy berlanjutnya

pertumbuhan vessel secara abnormal sehinggal menyebabkan permasalahan serius

seperti retina detachment, glaukoma dan penglihatan berangsur-angsur menjadi

buram. Pada tahapan inilah mulai terlihat bercak-bercak putih pada mata yaitu

cotton wool (Iqbal dkk, 2006).

Perkembangan teknologi image processing hingga saat ini terus diperluas

dengan tujuan untuk membantu manusia dalam melakukan pekerjaannya. Image

processing itu sendiri merupakan salah satu jenis teknologi untuk menyelesaikan

masalah mengenai pemprosesan gambar. Dalam image processing gambar yang

ada diolah sedemikian rupa sehingga gambar tersebut lebih mudah untuk diproses

(Usman, 2005:4).

Diabetic Retinopathy adalah kelainan retina (retinopathy) yang ditemukan

pada penderita diabetes militus. Retinopathy akibat dari diabetes militus lama

berupa aneurismata, melebarnya vena, pendarahan, dan eksudat lemak. Beberapa

faktor yang memicu penyakit ini diantaranya adalah pola makan yang berlebihan

dan melebihi jumlah kalori yang dibutuhkan oleh tubuh sehingga dapat memacu

timbulnya diabetes militus. Selain itu konsumsi makan yang berlebihan dan tidak

diimbangi dengan sekresi insulin dalam jumlah yang memadai dapat

4

menyebabkan kadar gula dalam darah meningkat. Sebenarnya Allah telah

memperingatkan hambanya agar makan dan minum tidak berlebihan sebagaimana

firman Allah SWT dalam Al-Qur’an pada surat Al-A’af yang berbunyi:

Artinya: ”Makan serta minumlah, dan janganlah berlebih-lebihan. Sesuggungnya

Allah tidak menyukai orang-orang yang berlebih-lebihan.” (Q.S Al-A’af 7:31)

Penggalan akhir ayat ini merupakan salah satu prinsip yang diletakkan

agama menyangkut kesehatan dan diakui pula oleh para ilmuan terlepas apapun

pandangan hidup atau pandangan agama mereka.

Perintah makan dan minum tidak berlebihan, ialah tidak melampaui batas

serta merupakan tuntunan yang harus disesuikan dengan kondisi setiap orang.

Atas dasar itu, penggalan ayat ini mengajarkan sikap proporsional dan makan dan

minum. Dalam konteks berlebihan ditemukan pesan dari Nabi Muhammad SAW

yang berbunyi:

Artinya: “Tidak ada wadah yang dipenuhkan dengan manusia yang lebih buruk

dari perut. Cukuplah bagi putra-putri Adam beberapa suap yang dapat

menegakkan tubuhnya. Kalaupun harus (memenuhkan perut), maka hendaklah

sepertiga untuk makannya, sepertiga untuk minumnya, dan sepertiga untuk

pernafasannya (HR. Al-Tarmizi, Ibn Majah dan Ibn Hibban melalui Miqdam Ibn

Ma’dikarib).” (M. Quraish Shihab, 2003:72)

5

Dan diayat yang lain Allah SWT menegaskan dalam Al-Qur’an surat Al-

Maidah yang berbunyi:

Artinya: “Barang siapa yang memelihara kehidupan seorang manusia, maka

seolah-olah Dia telah memelihara kehidupan manusia semuanya, dan

sesunggungnya telah datang kepada mereka Rasul-rasul Kami dengan

(membawa) keterangan-keterangan yang jelas, kemudian banyak diantara

Mereka sesudah itu sungguh-sungguh melampaui batas dalam berbuat kerusakan

dimuka bumi.” (QS. Al-Maidah 5:32)

Dan barang siapa yang memelihara kehidupan manusia, misalnya dengan

menyelamatkan nyawa seseorang dari penyakit atau dari suatu bencana, atau

membela seseorang yang dapat terbunuh dengan dianiaya maka seolah-olah dia

telah memelihara kehidupan manusia semuanya. Dan sesunggungnya telah

datang kepada mereka para Rasul Kami dengan membawa keterangan-

keterangan yang jelas, yang membuktikan kebenaran para Rasul itu dan

kebenaran petunjuk-petunjuk itu. Namun demikian, kemudian sesungguhnya

banyak diantara mereka sesudah itu sungguh-sungguh telah membudaya pada

dirinya sikap dan prilaku melampau batas dalam berbuat kerusakan di muka

bumi.

Thabathaba’I menguraikan persamaan itu antara lain dengan menyatakan

bahwa setiap manusia menyandang dalam dirinya nilai kemanusiaan, yang

merupakan nilai yang disandang oleh seluruh manusia. Seorang manusia bersama

manusia lain adalah perantara lahirnya manusia-manusia lain bahkan seluruh

6

manusia. Manusia diharapkan hidup untuk waktu yang telah ditetapkan Allah,

yaitu untuk melanjutkan jenis manusia seluruhnya. Membunuh seseorang yang

berfungsi seperti yang dijelaskan di atas adalah bagaikan membunuh seluruh

manusia, yang keberadaannya ditetapkan Allah demi kelangsungan hidup jenis

manusia (Moh Quraish Shihab, 2001:187).

Menghidupkan di sini bukan saja berarti “memelihara kehidupan”, tetapi

juga dapat mencakup upaya memperpanjang harapan hidup dengan cara apapun

selama tidak melanggar hukum. Demikian contoh bagaimana ayat Al-Qur’an

dipahami dalam konteks peristiwa paling mutakhir dalam bidang kesehatan (Moh

Quraish Shihab, 2001:187).

Dengan demikian diperlukan penerapan sistem komputerisasi untuk

mengelola, suatu sistem pada ilmu kedokteran sebagai sebuah solusi untuk

mengaplikasikan ayat Al-Qur’an yang telah dijelaskan dalam menyelamatkan

manusia dari bahaya penyakit. Selain itu, penerapan program ini bertujuan agar

dapat mengenali gejala penyakit mata sejak dini dengan sistem berbasis cerdas

serta memberikan data informasi secara lengkap menggunakan model visualisasi

yang akan memberikan kemudahan bagai pengguna dalam mengoperasikan

program tersebut. Penerapan aplikasi ini sangat bermanfaat bagi mengelolah data

pasien dengan klasifikasi penyakit yang diderita.

Algoritma K-Means adalah Metode clustering non-hierarchical berbasis

jarak yang membagi data kedalam cluster dan algoritma ini bekerja pada atribut

numerik. Clustering adalah mengempokkan data dengan karakteristik yang sama

ke suatu ‘wilayah’ yang sama dan data dengan karakteristik yang berbeda ke

7

‘wilayah’ yang lain. Non-hierarchical atau biasa disebut partition-based adalah

mengelompokan data dengan memilah-milah data yang dianalisa ke dalam

cluster-cluster yang ada.

Metode fuzzy K-Means pertama kali diperkenalkan oleh Jim Bezdek pada

tahun 1981. Fuzzy K-Means adalah suatu teknik pengelompokan objek yang mana

keberadaan tiap-tiap objek dalam suatu cluster ditentukan oleh nilai keanggotaan.

Metode ini merupakan pengembangan dari metode partisi yang dikenal dengan K-

Means. Kelebihan dari metode Fuzzy K-Means adalah meminimalkan masalah

kegagalan konvergen yang terjadi pada metode K-Means.

Berangkat dari permasalahan di atas, maka peneliti memandang perlu untuk

melakukan penelitian dalam memecahkan permasalahan tersebut serta melakukan

pengkajian tentang masalah-masalah tersebut untuk kemudian dihadirkan suatu

bentuk solusi dari permasalahan yang terjadi. Hal inilah yang kemudian

mengilhami peneliti untuk mengadakan penelitian dengan judul “CLUSTERING

FITUR DIABETIC RETINOPATHY MENGGUNAKAN FUZZY K-MEANS”

1.2 Rumusan Masalah

Dari latar belakang yang telah diungkapkan, maka dapat dirumuskan

permasalahan sebagai berikut:

1. Bagaimana mengklasifikasi penyakit diabetic retinopathy sesuai dengan

tingkat stadiumnya?

1.3 Batasan Masalah

Agar penelitian lebih sistematis dan terarah, ditentukan batasan masalah

sebagai berikut:

8

1. Citra yang digunakan adalah citra fundus mata.

2. Proses pendeteksian diimplementasikan dengan MATLAB.

3. Penyakit mata yang diidentifikasi adalah diabetic retinopathy

4. Format citra yang digunakan berupa format TIFF

1.4 Tujuan Penelitian

Penelitian ini bertujuan untuk menampilkan klasifikasi grade diabetic

retinopathy.

1.5 Manfaat Penelitian

1. Memberikan kontribusi bagi perkembangan pengolahan citra digital medis

khususnya klasifikasi citra fundus pada diabetic retinopathy.

2. Membantu ahli ophthalmologist dalam pengelompokan fitur citra fundus

sesuai dengan jenis kerusakan pada diabetic retinopathy.

1.6 Metode Penelitian

1. Studi Literatur

Pada tahap ini dilakukan pencarian dan pemahaman literature yang

berhubungan dengan permasalahan perbaikan citra, segmentasi,

pengkodean, pengenalan pola, dan diabetic retinopathy. Literatur yang

digunakan meliputi buku referensi, buku tugas akhir mahasiswa jurusan

teknik informatika dan paper IEEE serta dokumentasi internet.

2. Perumusan Masalah dan Penyelesaiannya

Tahap ini meliputi perumusan masalah, batasan-batasan masalah dan

penyelesaiannya serta penentuan parameter untuk mengukur hasilnya.

9

3. Perancangan dan Desain Sistem

Pada tahap ini dilakukan perancangan perangkat lunak untuk menerapkan

permasalahan dan penyelesaiannya pada tahap sebelumnya.

4. Pembuatan Perangkat Lunak

Pada tahap ini dilakukan pembuatan perangkat lunak sesuai dengan

perancangan perangkat lunak yang telah dilakukan.

5. Uji Coba dan Evaluasi Hasil

Tahap ini meliputi uji coba terhadap algoritma yang diterapkan pada

diabetic retinopathy. Dalam hal ini juga dilakukan evaluasi dari setiap

percobaan. Proses uji coba ini diperlukan untuk memastikan sistem yang

telah dibuat sudah benar, sesuai dengan tujuan yang hendak dicapai.

6. Penyusunan Buku Tugas Akhir

Pada tahap ini dilakukan penulisan buku tugas akhir yang merupakan

dokumentasi dari konsep atau teori penunjang, perancangan dan desain

sistem, pembuatan perangkat lunak, dokumentasi dari uji coba dan analisis,

serta kesimpulan dan saran.

1.7 Sistematika Penulisan

Untuk memberikan gambaran dan kerangka yang jelas mengenai pokok

bahasan dalam setiap bab dalam penelitian ini maka diperlukan sistematika

pembahasan. Berikut gambaran sistematika pembahasan pada masing-masing bab:

BAB I PENDAHULAN

Bab ini berisi latar belakang, perumusan masalah, tujuan, batasan

masalah dan metodologi penelitian tugas akhir ini.

10

BAB II TINJAUAN PUSTAKA

Bab ini menjelaskan konsep dan teori dasar yang mendukung penulisan

tugas akhir ini.

BAB III ANALISIS DAN PERANCANGAN APLIKASI

Bab ini menjelaskan mengenai analisis dan perancangan aplikasi

clustering fitur diabetic retinophaty menggunakan fuzzy K-Means.

BAB IV HASIL DAN PEMBAHASAN

Meliputi hasil yang dicapai dari perancangan sistem dan implementasi

program sehingga dapat ditarik suatu kesimpulan.

BAB V PENUTUP

Berisi kesimpulan dan saran berdasarkan hasil yang telah dicapai

sehingga dapat digunakan sebagai bahan pertimbangan bagi pihak-

pihak yang berkepentingan serta kemungkinan pengembangannya.

BAB II

TINJAUAN PUSTAKA

2.1 Penelitian yang Telah Dilakukan

(Viranee Thongnuch dkk, 2006) dalam penelitiannya menggunakan

transformasi Hough lingkar untuk mendeteksi optic disk pada citra fundus dengan

kontras rendah. Penelitian ini berhasil mendeteksi optic disk dengan akurasi

81,7% dibandingkan dengan deteksi manual oleh ahli mata. Pada penelitian kedua

(Viranee Thongnuch dkk, 2007) diaplikasikan metode yang lain untuk kasus yang

sama. Pre-processing dilakukan dengan penyamaan histogram dan penghilangan

pembuluh darah menggunakan operasi morfologi closing. Lokalisasi optic disk

dengan mengoptimalkan operasi mathematical morfologi dan connected labelling.

Dari penelitian ini dihasilkan akurasi 87,0%.

(Thomas Walter dkk, 2001) mendeteksi optic disk dengan memperkirakan

posisinya, kemudian mendapatkan kontur pastinya dengan transformasi watershed.

(Akara Sopharak dkk, 2008) dalam penelitiannya tentang exudate

mengaplikasikan filter median pada kanal I dari citra HSI. Selanjutnya

mengaplikasikan Contrast-limited Adaptive Histogram Equalization (CLAHE)

sebelum Thresholding Otsu, kemudian menghilangkan optic disk.

Dalam penelitian (Akara Sopharak dkk, 2008) diterapkan pre-processing

pada citra HSI. Optic disk berbeda dengan fitur lain dari retina karena teksturnya

yang halus. Untuk membedakannya dihitung entopi dari fungsi massa probabilitas

intensitas piksel-piksel pada area lokal dari citra. Di sekitar piksel dengan tekstur

yang kompleks entropinya tinggi, sedangkan untuk tekstur yang halus entropinya

11

12

rendah. Selanjutnya dipilih komponen terkoneksi yang paling luas dan berbentuk

lingkaran.

Sementara itu (Philip King, 2004) menerapkan pengklasteran fuzzy untuk

mendapatkan kontur awal optic disk, kemudian mendapatkan kontur final dari

optic disk menggunakan active contour.

(David, 2008) mendapatkan kandidat optic disk dengan penapisan

menggunakan filter median kemudian operasi morfologi closing dikuti opening

untuk menghilangkan pembuluh darah.

Kemudian untuk mempertegas tampilan pembuluh darah, memperbaiki

kontras gambar dilakukan dengan cara Contrast-Limited Adaptive Histogram

Equlization (CLAHE). Teknik ini bekerja dengan baik dalam bagian-bagian kecil

pada gambar. Setiap bagian kecil kontras ditingkatkan dengan menggunakan

pemetaan histogram (Muhammad Faisal, 2012).

(Gagnon dkk, 2001) mendapatkan area global optic disk dengan analisis

multi-scale menggunakan transformasi Haar-wavelet. Bagian paling terang dari

citra diasumsikan sebagai bagian dari optic disk. Area global digunakan sebagai

awal untuk pendeteksian yang lebih akurat dengan matching menggunakan

pengukuran jarak Hausdorff pada citra biner setelah deteksi tepi ‘Canny’.

(Jelinek dkk) menerapkan pengurangan warna pada kanal merah

menggunakan interpolasi bilinier. Selanjutnya citra dinormalisasi menggunakan

filter lolos atas Butterworth orde 0,5 dan lebar D0 = 10. Proses ini berlangsung

dalam domain Fourier. Filter deviasi standar intensitas lokal digunakan untuk

menentukan letak optic disk sebagai area dengan variasi terbanyak. Filter ini

13

mendefinisikan ketetanggaan di sekitar piksel dan menghitung deviasi standar

ketetanggaan tersebut untuk menentukan nilai piksel output. Berikutnya

menghilangkan pembuluh darah dengan operasi closing, dilanjutkan dengan

deteksi tepi ‘canny’ dengan nilai threshold rendah 0,4 dan nilai threshold tinggi

0,1 dan deviasi standar Gaussian 4. Operasi morfologi closing diterapkan untuk

menutup tepi optic disk yang terputus. Area optic disk diisi dengan operasi filling,

dan operasi morfologi opening menghapus semua area yang kurang dari 1200

piksel. Dilasi digunakan untuk menipiskan garis-garis yang tidak perlu dan

menyempitkannya ke garis tepi.

(Akara Sopharak dkk, 2008), terbatas melakukan penelitian tentang deteksi

otomatis exudates dengan metode klasifikasi Naive Bayes Classifier tanpa

meneliti tentang cotton wool.

Amr Ahmed Sabry Abdel‐Rahman Ghoneim (2007), terbatas juga

melakukan penelitian pada exudates menggunakan algoritma watershed dan

pemisahan antara exudates dan cotton wool juga belum dimunculkan.

Salah satu permasalahan utama sehingga terjadinya kesalahan-kesalahan

pendeteksian yang disebutkan dalam penelitian tersebut adalah terdapatnya

kesamaan pola antara cotton wool dan exudates dimana ada kesamaan pola dari

beberapa fitur lainnya, seperti suatu titik yang terlihat berwarna kekuning-

kuningan, dalam citra dalam format gray-level.

14

2.2 Pengenalan Mata

Allah SWT berfirman dalam Al-Qur’an pada surat Al-Insaan yang berbunyi:

Artinya: “Sesunggungnya Kami telah menciptakan manusia dari setetes mani

yang bercampur yang Kami hendak mengujinya (dengan perintah dan larangan),

karena itu Kami jadikan dia mendengar dan melihat”. (Qs. Al-Insaan/76:2)

Dari ayat di atas dapat disimpulkan bahwa Allah menciptakan manusia

beserta kemampuannya untuk melihat dan mendengar agar manusia senantiasa

bertaqwa kepada-Nya. Secara tersiat ayat tersebut menyebutkan bahwa Allah

menciptakan manusia lengkap dengan alat indra yang dimiliki (Yusuf, 2009).

Dalam ayat tersebut tertulis bahwa manusia memiliki kemampuan untuk

melihat, dimana indra yang digunakan manusia untuk melihat yaitu mata. Mata

adalah organ yang kompleks yang terdiri dari banyak bagian. Penglihatan yang

baik tergantung pada cara dimana bagian yang terdapat di dalam organ mata

saling berkerja sama. Sebelum memahami tentang diabetic retinopathy, terlebih

dahulu memahami tentang struktur mata dan bagaimana mata itu bekerja.

2.3 Anatomi Mata

Untuk mempermudah pemahaman mengenai mata, prinsip kerja mata dapat

diibaratkan seperti kamera. Seperti prinsip kerja kamera, lensa bertugas untuk

memfokuskan cahaya. Iris adalah bagian dari mata yang bertugas mengontrol

jumlah cahaya yang masuk ke mata. Cahaya yang masuk (gambar yang dilihat)

ditangkap oleh reseptor kemudian oleh saraf optik yang berfungsi seperti halnya

kabel, mengirimkan informasi dari reseptor kepada otak (Kyaw Thet, 2010).

15

Gambar 2.1 Anatomi mata

a. Sclera

Sclera adalah lapisan pelindung berwarna putih yang melapisi bola mata.

Sclera berfungsi untuk melindungi bola mata dari serangan apapun baik dari

sisi luar maupun sisi dalam mata.

b. Iris

Iris berfungsi untuk mengontrol tingkat cahaya di dalam mata. Iris mirip

dengan aperture pada kamera dengan pelebaran atau kontraksi. Pada saat

terang, iris akan menyempit untuk membatasi agar cahaya yang masuk ke mata

tidak terlalu banyak. Sebaliknya, jika pada saat gelap atau kurang cahaya maka

iris akan melebar.

c. Kornea

Kornea adalah bagian depan transparan dari mata yang munutupi iris dan

pupil. Bersama dengan lensa kornea membias cahaya dan sebagai hasilnya

membantu mata untuk fokus.

16

d. Lensa

Lensa mata memiliki bentuk yang transparan cembung ganda. Bersama

dengan kornea, lensa membantu mata membiaskan cahaya agar dapat

difokuskan ke retina. Tidak seperti kornea, kelengkungan lensa mata tidak

tetap dan bervariasi, tergantung dari jarak fokus objek.

e. Pupil

Pupil terletak di pusat dari iris dan bertugas mengontrol jumlah cahaya

yang masuk kedalam mata.

f. Aqueous Humor

Aqueous adalah cairan yang terletak di bagian depan mata antara kornea

dan lensa mata. Aqueous berfungsi untuk memberi bentuk dan kekukuhan pada

mata.

g. Vitreous Humor

Vitreous adalah gel bening yang mengisi ruang antara lensa mata dan

retina. Vitreous berfungsi untuk membantu menjaga retina dalam situasi apapun.

h. Koroid

Koroid terletak antara retina dan sclera. Koroid terdiri dari lapisan

pembuluh darah yang memberi nutrisi di bagian belakang mata dan memasok

darah ke retina.

i. Saraf Optik

Saraf optik berfungsi sebagai saraf yang bertugas untuk mentransmisikan

informasi visual dari retina kepada otak.

17

j. Makula

Makula terletak di tengah-tengah retina. Makula berbentuk kecil dan

menjadi bagian yang sangan sensitif dari retina. Makula bertanggung jawab

untuk merespon penglihatan secara detail.

k. Fovea (Bintik Kuning)

Fovea adalah bagian retina yang digunakan untuk melihat objek yang

ingin dilihat secara jelas visualnya paling besar pada fovea, bagian yang sangat

peka terhadap cahaya pada retina.

l. Bintik Buta

Bintik buta merupakan bagian retina yang tidak peka terhadap cahaya,

sehingga bayangan jika jatuh di bagian ini tidak jelas, sebaliknya pada retina

terdapat bintik kuning. Permukaan retina terdiri dari berjuta-juta sel sensitif,

ada yang berbentuk sel batang yang berfungsi membedakan kesan hitam/putih

dan yang berbentuk sel kerucut yang berfungsi membedakan kesan berwarna.

m. Retina

Retina berbentuk tipis dan sensitif terdapat ransangan cahaya. Retina

terletak di bagian belakang mata dan bertindak seperti film pada kamera.

Cahaya yang masuk ke mata harus benar-benar fokus ke retina dan permukaan

retina harus rata, halus, dan dalam keadaan baik agar menghasilkan gambar

yang jelas.

Dalam proyek ini penulis akan lebih memfokuskan penelitihan pada bagian

mata khususnya retina mata.

18

2.4 Pengantar Diabetes

Diabetes mellitus adalah istilah kedokteran untuk sebutan penyakit yang

dikenal dengan nama penyakit gula atau kencing manis. Istilah ini berasal dari

bahasa Yunani. Diabetes memiliki arti mengalir terus, sedangkan militus berarti

madu atau manis. Jadi, istilah ini menunjukkan tentang keadaan tubuh penderita,

yaitu adanya cairan manis yang mengalir terus.

Diabetes mellitus merupakan sekumpulan gejala yang timbul pada

seseorang yang ditandai dengan kadar glukosa darah berlebihan dari nilai normal

akibat tubuh kekurangan insulin. Penyakit tersebut bersifat kronis. Penderitanya

berasal dari semua lapisan umur serta tidak membedakan orang kaya ataupun

miskin. Penyakit diabetes mellitus yang sering juga disingkat dengan DM ini bisa

timbul secara mendadak pada anak-anak dan orang dewasa muda. Pada orang

yang telah berumur, penyakit ini sering muncul tanpa gejala dan kerap baru

diketahui bila orang tersebut melakukan pemeriksaan kesehatan rutin. Gejala yang

ditimbulkan adalah rasa haus, sering kencing, banyak makan tapi berat badan

menurun, gatal-gatal, dan badan terasa lemas.

Apabila penyakit ini dibiarkan tidak kendali atau penderita tidak menyadari

penyakitnya maka bertahun-tahun kemudian akan timbul berbagai komplikasi

kronis yang berakibat fatal. Beberapa komplikasi yang dapat terjadi pada

penderita diabetes mellitus, seperti penyakit jantung, terganggunya fungsi ginjal,

kebutaan, pembusukan kaki yang kadang memerlukan amputasi, atau timbulnya

impotensi yang sangat merisaukan (Dalimartha, 2007:3).

19

Diabetes dapat mengganggu fungsi normal dari banyak bagian tubuh,

termasuk pada mata. Diabetes bisa berpengaruh pada mata dengan berbagai

keluhan, mulai dari penglihatan kabur untuk sementara, sampai gejala yang lebih

parah seperti diabetic retinopathy. Diabetic retinopathy adalah kerusakan pada

lapisan terdalam bola mata pada bagian penerimaan rangsang cahaya atau pada

bagian retina mata. Diabetic retinopathy menjadi salah satu masalah utama yang

sering terjadi pada penderita diabetes (Bilous, 2003:72).

2.5 Diabetic Retinopathy

Diabetic retinopathy merupakan komplikasi pembuluh darah mikro pada

penderita diabetes. Diabetic retinopathy ditandai dengan perubahan pada retina,

meliputi perubahan diameter pembuluh darah, microaneurysm, hard exudate,

cotton wool, haemorrhage, dan tumbuhnya pembuluh darah baru.

Gambar 2.2 Alat funduscopi Topcon TRC NW6

non-mydriatic retinograph

Desain optic dari kamera fundus ini didasarkan pada prinsip oftalmoskopi

langsung. Sebuah kamera fundus memberikan gambar fundus tegak lurus

diperbesar, sebuah kamera biasanya melihat 30 sampai 50 derajat dari daerah

20

retina, dengan perbesaran 2.5 kali, dan memungkinkan pemodifikasian melalui

zoom atau lensa tambahan 15 derajat yang memberikan 5 kali perbesaran sampai

140 derajat dengan lensa sudut lebar setengah dari gambar. Pengambilan gambar

fundus mata dilakukan dengan kamera yang mirip seperti optalmoskop. Ketika

tombol untuk pengambilan gambar ditekan, bayangan memotong jalur pada

sistem pencahayaan yang mengizinkan cahaya dari lampu flash untuk masuk

kedalam mata. Secara serempak bayangan jatuh didepan teleskop observasi, yang

mengarahkan cahaya ke media penangkapan bayangan, apakah itu film atau CD

digital. Karena kecenderungan mata untuk menampung bayangan selama melihat

melalui telescope, hal ini sangat penting bahwa vegence keluar sejajar dalam

rangka untuk memfokuskan gambar yang akan dibentuk pada media

penangkapan.

Pembuluh darah kapiler merupakan pembuluh darah yang sangat kecil,

berbentuk seperti tabung yang sempit dengan diameter sekitar 5-10 µm. Pembuluh

darah ini memungkinkan terjadinya sirkulasi mikro yang melibatkan beberapa

substansi termasuk air, oksigen (O2), karbon dioksida (CO2), zat makanan, dan

residu zat kimia antara pembuluh darah dan jaringan lunak di sekitarnya.

Microaneurysm merupakan titik merah kecil di antara pembuluh darah retina.

Hal ini terjadi karena dinding pembuluh darah terkecil (microneurysm) melemah

kemudian pecah. Dalam beberapa kasus microaneurysm ini meledak menyebabkan

haemorrhage. Seiring dengan kebocoran darah, lemak dan protein juga ikut keluar

dari pembuluh darah titik terang kecil yang dinamakan exudate. Selanjutnya

beberapa bagian dari retina menjadi isemik (kekurangan darah). Area isemik ini

21

tampak pada retina sebagai gumpalan bulu halus berwarna putih yang dinamakan

noda cotton wool. Sebagai tanggapan atas daerah isemik ini, munculah pembuluh

darah baru untuk menyuplai lebih banyak oksigen ke retina. Pembuluh darah baru

ini dinamakan neovascularisation, beresiko lebih besar untuk pecah dan

menyebabkan haemorrhage yang lebih luas. Keberadaan diabetic retinopathy dapat

dideteksi dengan menganalisis karakteristiknya pada retina.

Gambar 2.3 Haemorrhage pada penderita diabetic retinopathy

(tanda panah) (Tomi Kauppi, 2006)

Haemorrhage (lihat Gambar 2.3) merupakan kerusakan akibat diabetic

retinopathy berupa bercak-bercak merah darah akibat pecahnya microneurysm,

kerusakan ini terus berlanjut dan semakin meluas bila tidak segera ditangani

secara baik bisa mengakibatkan exudates.

Dari pemeriksaan visual, exudates tampak dengan bentuk yang berbeda

dengan warna putih atau kekuning-kuningan dengan ukuran yang bermacam-

macam. Exudate sering terlihat seperti lapisan dalam struktur besar mengelilingi

cluster microaneurysms. Sebagian terlihat dalam berbagai ukuran, letak dan

bentuk seperti ditunjukkan dalam Gambar 2.4 dan Gambar 2.5, sebagai berikut:

Haemorrhage

22

Gambar 2.4 Soft exudate pada penderita diabetic retinopathy (tanda panah) (Tomi Kauppi, 2006)

Soft exudate (lihat Gambar 2.4) merupakan kerusakan akibat diabetic

retinopathy berupa bercak-bercak putih kecil kekuning-kuningan, kerusakan ini

terus berlanjut dan semakin meluas bila tidak segera ditangani secara baik bisa

mengakibatkan hard exudate.

Gambar 2.5 Hard exudate pada penderita diabetic retinopathy (tanda panah) (Tomi Kauppi, 2006)

Hard exudate (lihat Gambar 2.5) merupakan kerusakan akibat diabetic

retinopathy yang terlihat melebar dan membesar, kerusakan ini terus berlanjut bila

tidak segera ditangani secara baik dan bisa mengakibatkan kondisi mata semakin

parah dan bisa mengakibatnya muncul bercak-bercak putih seperti kapas yang

disebut sebagai cotton wool.

Soft Exudate

Hard Exudate

23

Gambar 2.6 Retina yang terkena cotton wool (Tomi Kauppi, 2006)

Cotton wool (lihat Gambar 2.6) merupakan kerusakan akibat diabetic

retinopathy yang terlihat berupa bercak-bercak putih seperti kapas, kerusakan ini

terus berlanjut bila tidak segera ditangani secara baik dan bisa mengakibatkan

kondisi mata semakin parah dan bisa mengakibatnya kebutaan.

2.6 Pengolahan Citra

Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua

dimensi). Jika dilihat dari sudut pandang matematis, citra merupakan fungsi

menerus (continu) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya

menerangi objek-objek memantulkan kembali sebagian dari berkas cahaya

tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada

manusia, kamera, scanner, dan lain sebagainya. Sehingga bayangan objek yang

disebut citra tersebut terekam (Usman, 2005:14).

Pengertian pengolahan citra ialah pemrosesan citra, khusunya dengan

menggunakan komputer, menjadi citra yang memiliki kualitas yang lebih baik.

Perbaikan atau modifikasi citra perlu dilakukan untuk meningkatkan kualitas

penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung

Cotton wool

24

di dalam citra. Elemen di dalam citra perlu dikelompokan, dicocokan, atau diukur.

Sedangkan sebagian harus dibangun dengan citra lainnya (Munir, 2004:3).

2.7 Operasi Pengolahan Citra

Operasai yang dilakukan dalam pengolahan citra banyak ragamnya. Akan

tetapi, secara umum pada pengolahan citra terdapat enam jenis operasi

pengolahan, sebagai berikut:

1. Peningkatan kualitas citra

Peningkatan kualitas citra bertujuan untuk memperbaiki kualitas citra

dengan cara memanipulasi parameter citra. Dengan jenis operasi ini, ciri-ciri

khusus yang teedapat di dalam citra lebih ditonjolkan. Contoh dari operasi

peningkatan kualitas citra, sebagai berikut:

a. Perbaikan kontras/gelap

b. Perbaikan tepian objek (edge enhancement)

c. Penajaman (shaepening)

d. Perbaikan warna semu (pseudocoloring)

e. Pengurangan derau/sinyal gangguan (noise filtering)

2. Restorasi citra (image restoration)

Restorasi citra bertujuan untuk menghilangkan atau meminimumkan

cacat pada citra. Tujuan dari restorasi citra hampir sama dengan operasi

peningkatan kualitas citra. Tetapi bedanya, pada restorasi citra penyebab

degradasi gambar diketahui. Contoh dari restorasi citra, sebagai berikut:

a. Penghilangan kesamaran (debluring)

b. Penghilangan derau/sinyal gangguan (noise)

25

3. Kompresi citra (image compression)

Kompresi citra adalah untuk mengecilkan sebuah ukuran file citra dengan

mengurangi jumlah bit pada representasi citra digital dengan tujuan

mengefisienkan penggunaan citra digital. Hal penting yang harus diperhatikan

dalam kompresi citra adalah citra yang dikompresikan harus tetap mempunyai

kualitas gambar yang bagus. Contoh metode kompresi citra adalah metode

JPEG. Misalnya citra kapal yang berukuran 258Kb, hasil kompresi citra

dengan metode JPEG dapat mereduksi ukuran citra semula sehingga hanya

menjadi 49Kb saja.

4. Segmentasi citra (image segmentation)

Segmentasi citra merupakan proses pengelompokan citra menjadi

beberapa region berdasarkan kriteria tertentu. Segmentasi citra bertujuan untuk

menemukan karakteristik khusus yang dimiliki suatu citra. Oleh karena itu,

segmentasi sangat diperlukan pada proses pengenalan pola. Semakin baik

kualitas segmentasi maka semakin baik pula kualitas pengenalan polanya.

Secara umum ada beberapa pendekatan yang banyak digunakan dalam

proses segmentasi, sebagai berikut:

a. Teknik threshold, yaitu pengelompokan citra sesuai dengan distribusi

properti pixel penyusun citra

b. Teknik region-based, yaitu pengelompokan citra kedalam region-region

tertentu secara langsung berdasarkan persamaan karakteristik suatu area

citranya

26

c. Teknik edge-based, yaitu pengelompokan citra kedalam wilayah berbeda

yang terpisahkan karena adanya perbedaaan

d. Perubahan warna tepi dan warna dasar citra secara mendadak

Pendekatan pertama dan kedua merupakan contoh kategori pemisahan

image berdasarkan kemiripan area citra, sedangkan pendekatan ketiga

merupakan salah satu contoh pemisahan daerah berdasarkan perubahan

intensitas yang cepat terhadap suatu daerah.

5. Analisis citra (image analysis)

Analisis citra bertujuan untuk menghitung besaran kuantitatif dari citra

sehingga menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-

ciri tertentu yang membantu dalam identifikasi objek. Proses analisis citra

kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari

sekelilingnya. Contoh operasi analisis citra, sebagai berikut:

a. Pendeteksian tepi objek (edge detection)

b. Ekstraksi batas (boundary)

c. Representasi daerah (region)

6. Rekonstruksi citra (image reconstruction)

Rekonstruksi citra bertujuan untuk membentuk ulang objek dari beberapa

citra hasil proyeksi. Operasi rekontruksi citra banyak digunakan dalam bidang

medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk

membentuk ulang gambar organ tubuh.

27

2.8 Lingkungan Kerja Matlab

2.8.1 Beberapa Bagian dari Window Matlab

a. Current Directory: Window ini menampilkan isi dari direktori kerja saat

menggunakan matlab. Direktori ini dapat diganti sesuai dengan tempat

direktori kerja yang diinginkan. Default dari alamat derektori berada

dalam folder works tempat program files Matlab berada.

b. Commad History: Window ini berfungsi untuk menyimpan perintah-

perintah apa saja yang sebelumnya dilakukan oleh pengguna terhadap

Matlab.

c. Commad Window: Window ini adalah window utama dari Matlab. Disini

adalah tempat untuk menjalankan fungsi, medeklarasikan variable,

menjalankan proses-proses, serta melihat isi variable.

d. Workspace: Workspace berfungsi untuk menampilkan seluruh variabel-

variabel yang sedang aktif pada saat pemakainan Matlab. Apabila variabel

berupa data matriks berukuran besar maka user dapat melihat isi dari

seluruh data dengan melakukan double klik pada variabel tersebut.

Gambar 2.7 Tampilan Matlab versi 7.0

28

2.8.1.1 Getting Help

Matlab menyediakan fungsi help yang berisikan tutorial lengkap

mengenai Matlab dan segala keunggulannya. User dapat menjalankan

fungsi ini dengan menekan tombol pada tootbar atau menulis perintah

“helpwin” pada command window. Matlab juga menyediakan fungsi demos

yang berisikan video tutorial matlab serta contoh-contoh program yang bisa

dibuat dengat matlab.

2.8.1.2 Interpting dan Terminating dalam Matlab

Untuk menghentikan proses yang sedang berlangsung pada matlab

dapat dilakukan dengan menekan tombol Ctrl+C. Sedangkan untuk keluar

dari matlab dapat dilakukan dengan menulis perintah “exit” atau “quit”

pada commad window atau dengan menekan menu exit pada bagian menu

file dari menu bar.

2.8.2 Variabel pada Matlab

Matlab hanya memiliki dua jenis tipe data yaitu Numeric dan String.

Dalam matlab setiap variabel akan disimpan dalam bentuk matrik. User dapat

langsung menuliskan variabel baru tanpa harus mendeklarasikannya terlebih

dahulu pada commad window. Contoh pembuatan variabel pada matlab,

sebagai berikut:

>> varA = 1000

varA = 1000

>> varB = [45 2 35 45]

VarB = 45 2 35 45

>> varC = ‘test variabel’

VarC = test variabel

29

Penamaan variabel pada matlab bersifat caseSensitif sebab perlu

diperhatikan penggunaan huruf besar dan kecil pada penamaan variabel.

Apabila terdapat variabel lama dengan nama yang sama maka matlab secara

otomatis akan me-replace variabel lama tersebut dengan variabel baru yang

dibuat user.

2.8.2.1 Matriks

Dapat diasumsikan bahwa dalam matlab setiap data akan disimpan

dalam bentuk matriks. Dalam membuat suatu data matriks pada matlab,

setiap isi data harus dimulai dari kurung siku ‘[’ dan diakhiri dengan kurung

siku tutup ‘]’. Untuk membuat variabel dengan data yang terdiri dari

beberapa baris, gunakan tanda ‘titik koma (;)’ untuk memisahkan data tiap

barisnya. Contoh pembuatan data matriks pada matlab, sebagai berikut:

>> DataMatriks = [1 2 3;4 5 6]

DataMatriks = 1 2 3

Matlab menyediakan beberapa fungsi yang dapat kita gunakan untuk

menghasilkan bentuk matriks yang diinginkan. Fungsi-fungsi tersebut,

sebagai berikut:

§ zeros : untuk membuat matriks yang semua datanya bernilai 0

§ ones : matriks yang semua datanya bernilai 1

§ rand : matriks data random dengan menggunakan distribusi unifom

§ randn : matriks data random dengan menggunakan distribusi normal

§ eye : untuk menghasilkan matriks identitas

30

2.8.3 Operator

Operator adalah fungsi untuk melakukan perhitungan pada matlab.

Beberapa pengguna operator aritmatika antara dua operand (A dan B)

ditunjukkan pada tabel berikut ini:

Tabel 2.1 Operator aritmatika dua operand Operasi Bentuk Aljabar Bentuk Matlab Contoh

Penambahan A + B A + B 1 + 3 Pengurangan A – B A – B 7 – 3 Perkalian A × B A * B 3 * 3 Pembagian A ÷ B A ¥ B 8 ¥ 4 Eksponensial AB A ^ B 4 ^ 2

2.8.4 Fungsi Matematika Lainnya

Beberapa fungsi matematika lainnya yang dapat kita gunakan untuk

operasi matematika, sebagai berikut:

§ abs(x) : berfungsi untuk menghasilkan nilai absolut dari x

§ sign(x) : berfungsi untuk menghasilkan nilai -1 jika x<0, 0 jika x=0, dan

1 jika x>1

§ exp(x) : berfungsi untuk menghasilkan nilai eksponensian natural, ex

§ log(x) : berfungsi untuk menghasilkan nilai logaritma natural x, ln x

§ log10(x) : berfungsi untuk menghasilkan nilai logaritma dengan basis 10,

log10x

§ sqrt(x) : berfungsi untuk menghasilkan akar dari nilai x, √⸘

§ rem(x,y) : berfungsi untuk menghasilkan nilai modulus (sisa pembagian)

x terhadap y

31

2.8.5 M-File

Di dalam matlab, dapat menyimpan semua script yang akan digunakan

dalam file pada matlab denga ekstensi “*.M”. M-File dapat dipanggil dengan

memilih menu file>>new>>M-File. Contoh gambar M-File, sebagai berikut:

Gambar 2.8 Contoh gambar M-File

Di dalam M-File, dapat menyimpan semua perintah dan menjalankannya

dengan menekan tombol atau mengetik nama M-File yang kita buat pada

command window. M-File juga dapat menuliskan fungsi-fungsi yang berisikan

berbagai operasi sehingga menghasilkan data yang diinginkan.

2.9 Algoritma Fuzzy K-Means

Sebelum melangkah lebih jauh, mungkin ada baiknya mengetahui latar

belakang mengapa disebut K-Means. K di sini dimaksudkan sebagai konstanta

jumlah cluster yang diinginkan. Jadi, berhubung sudah mengasumsikan jumlah

cluster yang akan dihasilkan algoritma ini, maka K didefiniskan diawal (contoh: K

= 5 cluster). Means dalam hal ini berarti nilai suatu rata-rata dari suatu grup data

yang dalam hal ini didefinisikan sebagai cluster.

32

Jika kita menggabungkan kedua hal tersebut, maka dapat diartikan bahwa

algoritma ini menggunakan K nilai rata-rata yang setiap nilai rata-ratanya dihitung

dari suatu cluster. Kalau ada 5 cluster, maka akan ada 5 rata-rata yang dipakai

oleh algoritma ini.

Konsep tentang himpunan fuzzy (fuzzy set = himpunan kabur) diperkenalkan

pertama kali pada bulan Juli 1964 oleh Prof. Lotfi Zadeh yang menyatakan bahwa

ketidakpastian dapat didekati dengan metode lain selain pendekatan probabilitas,

yaitu konsep himpunan fuzzy. Himpunan tegas atau himpunan klasik merupakan

himpunan dengan batas yang jelas.

Peranan himpunan fuzzy dalam kelompok adalah dalam pembentukan fungsi

dan tingkat keanggotaan dari setiap objek atau data dalam kelompok. Tingkat ke-

fuzzy-an tidak berasal dari keacakan anggota himpunan, tetapi berasal dari

ketidak-pastian dan ketidak-tepatan pikiran serta konsep yang abstrak.


tahun 1981 untuk menyelesaikan masalah optimasi. Fuzzy K-Means adalah suatu

teknik pengelompokan objek yang mana keberadaan tiap-tiap objek dalam suatu

cluster ditentukan oleh nilai keanggotaan (Kusumadewi, 2006).

Berbeda dengan K-Means clustering, dimana suatu objek hanya akan

menjadi anggota satu cluster, dalam fuzzy K-Means setiap objek bisa menjadi

anggota dari beberapa cluster, sesuai dengan namanya fuzzy yang berarti samar.

Batas-batas dalam K-Means adalah tegas (hard) sedangkan dalam fuzzy K-Means

adalah soft (Agusta, 2007).

33

Konsep dasar fuzzy K-Means pertama kali adalah menentukan pusat cluster

pada kondisi awal, pusat cluster ini masih belum akurat dan tiap objek memiliki

derajat keanggotaan untuk tiap-tiap cluster dengan cara memperbaiki pusat cluster

dan nilai keanggotaan tiap objek secara berulang maka akan dapat dilihat bahwa

pusat cluster akan bergerak menuju lokasi yang tepat.

Ketika gerombol-gerombol menjadi overlapping atau setiap objek

memungkinkan termasuk ke beberapa gerombol, maka µik dapat diinterpretasikan

sebagai fungsi keanggotaan yaitu 그캰k 碉揍0,1租. Maka fungsi objektif J yang

dirumuskan sebagai fungsi dari U dan V sebagai berikut:

dengan:

U : matriks keanggotaan objek ke masing-masing gerombol

V : matriks centroid / rata-rata masing-masing gerombol

m : pembobot eksponen

µik : fungsi keanggotaan objek ke-k ke gerombol ke-i

xk : objek ke-k

vi : nilai centroid ke-i

d : ukuran jarak

c/n : jumlah cluster yang diinginkan

Pada metode fuzzy k-means diperkenalkan suatu peubah m yang merupakan

fungsi pembobot (weighting exponent) dari membership function. Peubah m ini

disebut juga indeks fuzzy dan mempunyai nilai [1,4]. Menurut penelitian yang

dilakukan oleh Hong (2006) nilai m yang paling bagus untuk digunakan adalah 2.

34

Untuk menghitung centroid (titik pusat) gerombol vij, untuk setiap gerombol

digunakan rumus sebagai berikut:

dengan:



xkj : objek ke-k gerombol ke-j

Sedangkan untuk menghitung fungsi keanggotaan objek ke-k ke gerombol

ke-i digunakan rumus sebagai berikut:

dengan:


xk : objek ke-k

vi : nilai centroid cluster ke-i

vj : rata-rata centroid cluster ke-j


Fuzzy K-Means adalah teknik yang cukup sederhana dan cepat dalam

pekerjaan pengelompokkan data (clustering). Prinsip utama dari teknik ini adalah

menyusun K buah prototipe/pusat massa (centroid)/rata-rata (mean) dari sekumpulan

data berdimensi n. Teknik ini mensyaratkan nilai K sudah diketahui sebelumnya

(a priori). Algoritma fuzzy K-Means dimulai dengan pembentukan prototipe

cluster di awal kemudian secara iteratif prototipe cluster ini diperbaiki hingga

35

konvergen (tidak terjadi perubahan yang signifikan pada prototipe cluster).

Perubahan ini diukur menggunakan fungsi objektif J yang umumnya didefinisikan

sebagai jumlah atau rata-rata jarak tiap item data dengan pusat massa

kelompoknya. Secara lebih detil algoritma fuzzy K-Means, seperti berikut:

1. Inisialisasi nilai J (misal MAXINT)

2. Tentukan fungsi keanggotaan setelah melakukan inisialisasi

3. Masukkan tiap satuan data ke dalam kelompok yang jarak dengan pusat

massa-nya paling dekat (mencari titik pusat)

4. Memperbaiki nilai dari fungsi keanggotaannya

5. Melakukan pengecekan apakah iterasi sudah dalam keadaan maksimal, jika

belum ulangi kelangkah 3

6. Hitung fungsi objektif J (untuk mengetahui kebenaran dari titik pusat dan

fungsi keanggotaannya)

Gambar 2.9 Ilustrasi algoritma fuzzy K-Means

Diagram Voronoi adalah diagram yang membagi daerah dengan sama besar.

Katakteristik fuzzy K-Means, yaitu (1) Fuzzy K-Means sangat cepat dalam proses

clustering; (2) Fuzzy K-Means sangat sensitif pada pembangkitan centroids awal

secara random; (3) Memungkinkan suatu cluster tidak mempunyai anggota.

36

2.10 Pentingnya Mendeteksi Awal Suatu Penyakit dalam Islam

2.10.1 Pandangan Islam pada Penyakit

Dalam pandangan Islam sehat dan sakit adalah anugerah dan takdir

Allah. Pada sisi lain, sakit juga pada hakikatnya merupakan ujian dari-Nya.

Setiap orang yang diuji misalnya dengan sakit atau musibah harus mampu

bersabar dan tawakal. Ujian itu jika dihayati secara mendalam, sesungguhnya

karena Allah mencintai hambanya yang di ujinya itu. Thurmudzi dan Ibn

Majah meriwayatkan hadist.

“Sesungguhnya jika Allah Ta’ala mencintai suatu kaum, diujinya dengan

berbagai macam cobaan. Maka barang siapa dengan ridha menerima ujian

itu, niscaya ia akan mendapatkan keridhaan Allah. Dan siapa yang berkeluh

kesah dalam menerima ujian itu, dia akan memperoleh kemurkaan Allah.”

Karena itu setiap orang yang mendapat cobaan baik berupa sakit atau

musibah sepatutnya ia tawakal, tidak berputus asa (Sumber: Basri Iba Asghary,

1994: 4-5).

Ditekankan juga peringatan bahwa perut merupakan sumber utama

penyakit: Al-ma’idat baid adda’ dan oleh karena itu ditemukan banyak sekali

tuntutan baik dalam Al-Qur’an maupun hadist Nabi SAW yang berkaitan dengan

makanan, jenis maupun kadarnya (Sumber: Moh Quraish Shihab, 2001: 184).

Dikalangan medis terkenal semboyan “Mencegah lebih baik dari pada

mengobat.” Umar Ibn Khattab pernah berkata: “Kuasailah nafsu lambungmu,

sebab dialah yang merusak jasadmu, yang mendatangkan penyakit dan menyia-

nyiakan shalat.” Rasulullah memberikan peringatan kepada ummatnya: “Ilmu

dan akal tidak mungkin ada bersama lambung yang penuh dengan makanan.”

37

Keadaan yang terlalu kenyang bisa menimbulkan macam-macam penyakit

yang dapat mengganggu fungsi organ-organ tubuh (Sumber: Basri Iba

Asghary, 1994: 91).

2.10.2 Pengobatan Penyakit dalam Islam

Artinya: “Dan Kami turunkan dari Al-Qur’an suatu yang menjadi penawar dan

rahmat bagi orang-orang yang beriman dan Al-Qur’an itu tidaklah menambah

kepada orang-orang yang zalim selain kerugian.” (Q.S. Al-Isra’: 82).

Indikasi secara implisit yang terdapat dalam ayat diatas menyebutkan

bahwa Al-Qur’an dapat dipergunakan sebagai petunjuk untuk penyembuhan/

penawar obat dan rahmat.

Ayat suci Al-Qur’an, dalam surat Al-Isra’ diatas dapat ditafsirkan dengan

beberapa ayat dalam surat lain, dan diluar itu kemudian dijelaskan oleh

Rasululah SAW. Al-Qur’an sebagai penyembuh penyakit rohani, yakni jika

isinya diaplikasikan dalam kehidupan. Al-Qur’an memberikan petunjuk dengan

metode yang rasional bagaimana menyembuhkan penyakit yang terdapat dalam

kalbu, yakni harus mempercayai Al-Qur’an, mengambil manfaat, membaca, dan

menerimanya (Sumber: Basri Iba Asghary, 1994: 1-2).

Di dalam Islam penyakit dikenal ada 2 macam, sebagai berikut:

penyakit fisik dan penyakit rohani. Jika penyakit rohani dapat disembuhkan

dengan ayat suci Al-Qur’an sebagaimana yang telah dijelaskan di atas.

Namun jika penyakit itu berupa fisik maka solusi yang diberikan Al-Qur’an

38

salah satunya adalah meminum madu, seperti disebutkan dalam Al-Qur’an

surat An-Nahl yang berbunyi:

Artinya: “Kemudian makanlah dari tiap-tiap (macam) buah-buahan dan

tempuhlah jalan Tuhanmu yang telah dimudahkan (bagimu) dari perut lebah

itu ke luar minuman (madu) yang bermacan-macam warnannya, di dalamnya

terdapat obat yang menyembuhkan bagi manusia. Sesunggungnya pada yang

demikian itu benar-benar terdapat tanda (kebesaran Tuhan) bagi orang-

orang yang memikirkan.” (QS. An-Nahl 16:69)

Manfaat dari madu telah terbukti atau teruji untuk mengobati dan

memperbaiki kondisi mata. Pada tahun 1981 Dr. Emara, kepala jurusan

Dokter Syaraf Mata di Al-Mansur telah berhasil membuktikan kemampuan

madu untuk mengobati peradangan pada kornea mata, kebutaan pada kornea

mata yang disebabkan oleh virus herpes, serta peradangan dan dehidrasi pada

konjungtiva (selaput pada kelopak mata).

Madu yang digunakan adalah madu pilihan yang telah disterilkan.

Penggunaannya adalah dengan cara diteteskan 1-2 tetes madu kedalam mata.

Terapi biasanya akan menyebabkan mata menjadi perih untuk beberapa saat

dengan disertai keluarnya air mata. Setelah diteteskan madu kondisi mata

pada umunnya akan membaik 85% dan penglihatan menjadi lebih terang.

Sebagian besar dari pasien penyakit mata yang ditangani dalam penelitian

menggunakan terapi madu menunjukkan hasil yang menggembirakan.

BAB III

METODE PENELITIAN

Pada bab ini akan diuraikan mengenai metode penelitian untuk

mengklasifikasikan penyakit diabetic retinopathy pada citra digital fundus mata.

Dalam metode penelitian ini akan dibahas mengenai lingkungan perancangan

perangkat keras, lingkungan perancangan perangkat lunak, deskripsi sistem,

desain sistem, desain data sistem, desain proses sistem, dan perancangan

antarmuka. Penjabaran dan penjelasannya akan diuraikan sebegai berikut:

3.1 Lingkungan Perancangan Perangkat Keras

Untuk merancang dan membuat program klasifikasi fitur diabetic

retinopathy pada citra digital fundus mata menggunakan metode fuzzy K-Means,

perangkat komputer yang digunakan yaitu dengan spesifikasi sebagai berikut:

1. Prosessor Intel Pentium Dual CPU T2370 1.73GHz

2. VGA Mobile Intel(R) 965 Express Chipset Family

3. RAM 2048MB

4. Harddisk 160GB

5. Perangkat output monitor LED 12”

6. Keyboard dan mouse

3.2 Lingkungan Perancangan Perangkat Lunak

Untuk merancang dan membuat program klasifikasi fitur diabetic

retinopathy pada citra digital fundus mata menggunakan metode fuzzy K-Means,

yaitu menggunakan beberapa perangkat lunak sebagai berikut:

3940

40

1. Sistem Operasi Windows XP Professional

Windows XP Profesional digunakan sebagai sistem operasi yang dapat

difahami oleh komputer. Digunakan untuk mengarahkan komputer mengawal,

menjadwalkan, menyelaraskan dan melaksanakan suatu sistem komputer.

2. Matlab R2008A

Matlab merupakan sebuah lingkungan komputasi numerical dan bahasa

pemprograman komputer yang memungkinkan implementasi algoritma,

manipulasi matriks, pembuatan antarmuka pengguna, dan pengatarmukaan

program dengan bahasa lainnya. Matlab digunakan sebaga tool dalam

melakukan pemprograman dan pembangunan sistem.

3.3 Desain Sistem

Pada subbab ini akan dijelaskan mengenai desain aplikasi untuk

implementasi metode fuzzy K-Means. Desain aplikasi ini meliputi desain data,

desain proses dalam sistem yang digambarkan dengan diagram alir (flowchat), dan

desain interface. Desain data menjelaskan tentang data masukan, data proses dan

data keluaran dari sistem yang dibuat. Desain proses antara lain menjelaskan

tentang proses awal (pre-processing) sampai dengan proses akhir klasifikasi. Dari

semua proses yang dibuat, diharapkan akan mendapatkan hasil yang sesuai dan

juga maksimal.

3.3.1 Desain Data Sistem

Data yang digunakan dalam pembutan aplikasi ini adalah berupa citra

digital fundus mata. Data dibagi menjadi tiga bagian utama, yaitu data

masukan, data proses dan data keluaran. Penjelasannya sebagai berikut:

41

1. Data Masukan

Pada pembuatan aplikasi ini data yang digunakan berupa data citra digital

fundus mata. Data citra masukan ini berupa citra RGB dengan format file

Tagged Image Format File (.tiff) dengan ukuran 2240 × 1488 piksel. Data citra

fundus mata ini diperoleh dari database Messidor dengan alamat

http://messidor.crihan.fr. Messidor merupakan program riset yang didanai oleh

TECHNO-VISI Kemetrian Riset dan Pertahanan Perancis tahun 2004 yang

berkonsentrasi pada penelitian tentang penyakit diabetic retinopathy.

2. Data Proses

Pada bagian data proses berupa citra retina yang digunakan untuk proses

klasifikasi penyakit pada retina. Pada tahapan pre-processing citra RGB akan

diubah menjadi citra HSI. Selanjutnya dilakukan proses penghilangan optic

disk, ini bertujuan untuk menyederhanakan citra retina. Langkah selanjutnya

yaitu proses pengklasifikasian fitur diabetic retinopathy menggunakan metode

fuzzy K-Means.

3. Data Keluaran

Data keluaran adalah berupa data citra yang didapatkan dari hasil proses

klasifikasi fitur diabetic retinopathy. Format file citra yang dihasilkan dari data

keluaran yaitu file yang berekstraksi *.tif dengan ukuran 512 × 512 piksel.

42

3.3.2 Desain Proses Sistem

Pada subbab ini akan dijelaskan mengenai desain proses dari sistem

untuk pengklasifikasian penyakit diabetic retinopathy pada citra digital fundus

mata. Desain ini digunakan untuk mengetahui proses apa saja yang dikerjakan

oleh sistem tersebut.

Gambar 3.1 Diagram proses desain sistem clustering penyakit diabetic retinopathy dengan menggunakan metode fuzzy K-Means

Citra RGB

Citra HSI

Menghilangkan Pembuluh Darah

Deteksi Awal Exudates

Mempertajam Contrast

Deteksi Awal Microaneurysm

Clustering Fuzzy K-Means

Cluster

Menghilangkan Optic Disk

Ekstraksi Fitur

Proses Pre-processing

Proses Clustering

Input Citra

Proses Segmentasi

Proses Ekstraksi Fitur

43

Secara gambaran besar, desain proses dimulai dengan input citra.

Selanjutnya sistem akan memproses citra tersebut dalam beberapa tahapan,

yaitu pre-processing, klasifikasi dan hasil akhir yang berupa bentuk citra

penyakit diabetic retinopathy yang telah terklasifikasi.

Diabetic retinopathy merupakan penyakit komplikasi pembuluh darah

mikro pada penderita penyakit diabetes. Diabetic retinopathy memiliki ciri

dengan adanya perubahan pada retina, meliputi perubahan diameter pembuluh

darah, microaneurysm, hard exudate, cotton wool, haemorrhage, dan

tumbuhnya pembuluh darah baru. Bentuk serta ukurannya pun akan berbeda-

beda antara satu citra dengan citra yang lainnya dan dengan tahap retinopathy

yang berbeda. Di bawah ini akan menjelaskan tentang proses desain sistem

yang akan dibahas satu per satu, sebagai berikut:

1. Input Citra

Input image merupakan proses yang pertama kali dilakukan untuk

memasukkan data berupa citra digital fundus mata sebelum dilakukan proses

selanjutnya. Citra masukan ini masih berupa gambar RGB dengan format file

Tagged Image Format File (.tiff) dan berukuran 2240 × 1488 piksel, yaitu

seperti pada gambar berikut:

Gambar 3.2 Citra digital fundus mata berwarna

44

2. Proses Pre-processing

Sebelum melakukan proses selanjutnya, citra terlebih dahulu melakukan

proses awal (pre-processing), yaitu pengolahan citra (image) dengan tujuan

agar mendapatkan hasil secara maksimal disaat proses clustering, sehingga

dapat menghasilkan clustering yang terbaik. Dalam pre-processing ada

beberapa tahapan, yaitu:

a. Konversi citra RGB menjadi citra HSI

Awal dari tahapan pre-processing adalah dengan mengkonversi citra

retina dari citra HSI. RGB (Red, Green, Blue) merupakan kombinasi tiga

warna dasar yang memiliki nilai komputasi masing-masing yaitu 255. HSI

(Hue, Saturation, Intensity) merupakan kombinasi teknik pengolahan warna,

biasanya warna ini digunakan sebagai segmentasi pengolahan citra digital.

Hue ditentukan oleh dominan panjang gelombang. Warna yang dapat dilihat

oleh mata memiliki panjang gelombang antara 400nm (violet) – 700nm (red)

pada spektrum electromagnetic. Saturation ditentukan oleh tingkat kemurnian

dan tergantung pada jumlah sinar putih yang tercampur dengan hue. HSI

sangat cocok untuk mendeskripsikan warna sedangkan RGB cocok untuk

menghasilkan warna (pada perangkat elektronis penangkap citra). Karena

warna HSI merupakan bentuk lain yang bisa digunakan untuk

menginterpretasi karakteristik dari warna alami (Prasetyo, 2011:184).

45

Untuk mengubah atau konversi dari citra RGB menjadi HSI ini

menggunakan persamaan atau langkah-langkah sebagai berikut:

§ Hitung θ

§ Hitung H (Hue)

§ Hitung S (Saturation)

§ Hitung I (Intensity)

Dengan asumsi bahwa nilai RGB adalah nilai yang mendominasi pada

range [0,1], dan sudut θ diukur dengan derajat terhadap sumbu red dari HSI

space. Hue dapat dinormalisasikan dalam range [0,1] dengan pembagian oleh

360° semua nilai yang dihasilkan dari persamaan hue di atas. Dua komponen

HSI yang lain sudah didapatkan dalam range ini jika nilai RGB yang

diberikan dalam interval [0,1].

Di bawah ini adalah ilustrasi atau contoh gambar dari proses RGB

menjadi HSI, yaitu:

Gambar 3.3 Contoh proses RGB menjadi HSI

46

b. Peningkatan kontras

Peningkatan kualitas citra merupakan satu proses awal dalam

peningkatan mutu citra. Peningkatan mutu cita diperlukan karena seringkali

citra yang dijadikan objek pembahasan mempunyai kualitas yang buruk,

misalnya citra mengalai derau, kabur dan sebagainya. Peningkatan mutu citra

adalah suatu proses mendapatkan citra yang lebih mudah diinterpretasikan

oleh mata manusia. Proses pengolahan citra yang termasuk dalam kategori

peningkatan mutu citra terdiri dari proses-proses yang bertujuan memperbaiki

citra untuk memperoleh keindahan gambar, untuk kepentingan analisi citra

dan untuk mengoreksi citra.

Dalam peningkatan mutu citra ada beberapa teknik yang digunakan,

yaitu image enhancement adalah proses citra dengan meningkatkan kualitas

citra baik kontras maupun kecerahan, image restoration adalah proses

memperbaiki model citra, dan color image processing adalah proses yang

melibatkan citra berwarna, baik berupa image enhancement, image

restoration atau yang lainnya.

c. Cluster

Cluster adalah metode penganalisaan data, yang sering dimasukkan

sebagai salah satu metode Data Mining, yang tujuannya adalah untuk

mengelompokkan data dengan karakteristik yang sama ke suatu ‘wilayah’

yang sama dan data dengan karakteristik yang berbeda ke ‘wilayah’ yang

lain.

Ada beberapa pendekatan yang digunakan dalam mengembangkan

metode clustering. Dua pendekatan utama adalah clustering dengan

pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering

dengan pendekatan partisi atau sering disebut dengan

clustering mengelompokkan data dengan memilah

ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau

sering disebut dengan

membuat suatu hirarki berupa

ditempatkan pada hirarki yang berdek

berjauhan. Adapun pembagiannya sebagai berikut:

Non-proliferative Diabetic Retinopathy

§ Mild

Stadium mild ditandai

dan pendarahan yang disebabkan kerusakan pembuluh

darah pada retina dan

atau abnormalitas lain yang berhunbungan dengan

diabetes militus.

§ Moderate

Stadium moderate

dan juga hemorrages

banyak dibandingkan dengan tingkat

juga adanya soft exudate

beading dan intra retina microvascular abnormality


Dua pendekatan utama adalah clustering dengan


dengan pendekatan partisi atau sering disebut dengan partition

mengelompokkan data dengan memilah-milah data yang dianali

cluster yang ada. Clustering dengan pendekatan hirarki atau

sering disebut dengan hierarchical clustering mengelompokkan data dengan

membuat suatu hirarki berupa dendogram dimana data yang mirip akan

ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang

Adapun pembagiannya sebagai berikut:

proliferative Diabetic Retinopathy (NPDR)

itandai dengan adanya microaneurysm

dan pendarahan yang disebabkan kerusakan pembuluh

darah pada retina dan tidak terdapat lesi pada retina

atau abnormalitas lain yang berhunbungan dengan

moderate ditandai adanya microaneurysm

hemorrages. Jumlah microaneurysm lebih

banyak dibandingkan dengan tingkat mild. Terlihat

soft exudate, pelebaran vena, venous

intra retina microvascular abnormality.

47


Dua pendekatan utama adalah clustering dengan


partition-based

milah data yang dianalisa

cluster yang ada. Clustering dengan pendekatan hirarki atau

mengelompokkan data dengan

dimana data yang mirip akan

atan dan yang tidak pada hirarki yang

48

§ Severe

Stadium severe memiliki kriteria: (1) Terdapatnya

pendarahan atau microaneurysm; (2) Lebih dari 20

hemorrages atau venous beading; (3) Terdapat intra

retina microvascular abnormality (IRMA).

3. Proses Segmentasi

a. Penghilangan pembuluh darah

Untuk proses penghilangan pembuluh darah (blood vessels),

mengunakan operasi morfologi. Jenis morfologi yang digunakan adalah

operasi closing. Operasi closing merupakan penggabungan antara proses erosi

dan proses dilasi. Hanya saja proses dilasi dilakukan terlebih dahulu,

kemudian baru dilanjutkan dengan proses erosi. Berikut adalah blok diagram

proses deteksi exudates:

Gambar 3.4 Diagram deteksi blood vessels

Akusisi Citra

Deteksi Blood Vessels

Operasi Closing

Proses Dilasi

Proses Erosi

49

Fungsi dari operasi dilasi adalah untuk memperluas area optic disk

sedangkan fungsi dari proses erosi adalah untuk menghilangkan pembuluh

darah (blood vessels). Operasi closing dapat dinyatakan dengan rumus,

sebagai berikut:

Hasil operasi closing hampir mirip seperti hasil dari proses dilasi yaitu

memperbesar batas luar dari objek foreground dan juga menutup lubang kecil

yang terdapat di tengah objek, akan tetapi hasil operasi closing tidak sebesar

hasil dari proses dilasi. Hasil proses dilasi dapat menyebabkan pembengkakan

bentuk keseluruhan dari objek. Efek ini dapat dikurangi dengan menerapkan

proses erosi setelah proses dilasi. Berikut ini adalah ilustrasi atau contoh

gambar dari operasi closing, yaitu:

Gambar 3.5 Contoh proses operasi closing

Gambar 3.6 Contoh proses operasi closing pada fundus mata

50

b. Penghilangan optic disk

Optic Disk atau pusat saraf mata, merupakan daerah pada mata tempat

syaraf mata memasuki retina dan merupakan pertemuan seluruh syaraf mata.

Fungsi menghilangkan optic disk adalah untuk menghitung microaneurysms.

Berikut adalah blok diagram tahapan penghilangan optic disk:

Gambar 3.7 Diagram deteksi Optic Disk

Thresholding adalah proses mengubah citra berderajat keabuan menjadi

citra biner atau hitam putih sehingga dapat diketahui daerah mana saja yang

termasuk objek dan background dari citra secara jelas. Dalam operasi dilasi

memiliki fungsi untuk memperbesar ukuran segmen objek dengan menambah

lapisan disekeliling objek. Pada citra biner, dilasi merupakan proses

penggabungan titik-titik latar menjadi bagian dari objek. Dari citra RGB

kemudian diambil komponen merahnya karena pada proses ini optic disk

memiliki intensitas warna paling tinggi.

Gambar 3.8 Contoh proses deteksi optic disk pada fundus mata

Akusisi Citra

Deteksi Optic Disk

Citra Filter Thresholding

Operasi Dilasi dan Erosi

Citra Red

Deteksi Tepi

Mencari Koordinat Pusat dan Jari-jari

Optic Disk

51

c. Pendeteksi awal exudate

Proses selanjutnya adalah pendeteksi awal exudate. Exudates muncul

sebagai wilayah kuning terang-putih pada retina, hal ini disebabkan terdapat

kebocoran darah dari pembuluh yang abnormal. Bentuk dan ukuran akan

bervariasi dengan retinopathy yang berbeda dan bertahap. Berikut adalah blok

diagram proses deteksi exudates:

Gambar 3.9 Diagram deteksi exudates

Pendeteksian exudate diawali dengan proses akuisisi citra. Citra RGB di

konversi menjadi citra grayscale, kemudian operasi morfologi diterapkan

untuk menghilangkan pembuluh darah dan mengidentifikasi wilayah

exudates. Exudates akan terdeteksi setelah menghapus perbatasan (batas tepi

retina), optical disk dan daerah non-exudates.

Gambar 3.10 Contoh proses filter colfilt pada fundus mata

Akusisi Citra

Deteksi Exudates

Kontras Citra

Citra Grayscale

Nilai Intensitas Citra

Identifikasi Fitur Gelap

Menghitung Ditur Gelap

Hitung Border Deteksi Optic Disk Menghilangkan Pembuluh Darah

Hapus Optic Disk Hapus Tepi Retina

52

d. Deteksi awal microaneurysm

Microaneurysms adalah tonjolan kecil yang muncul karena melemahnya

dinding terkecil dari vessel pembuluh darah dan tanda klinis awal dari diabetic

retinopathy. Jumlah microaneurysms pada penderita diabetic retinopathy cepat

atau lambat akan meningkat. Microaneurysms muncul sebagai titik bulat kecil

gelap pada citra fundus. Untuk proses pendeteksian microaneurysms dan nilai

entropy menggunakan citra hasil konversi ke green channel, karena pada

proses ini memerlukan refleksi cahaya yang paling baik sehingga dapat

dihasilkan informasi yang signifikan pada proses pendeteksiannya (Wahyudi

Setiawan, 2012). Berikut ini adalah blok diagram deteksi microaneurysms:

Gambar 3.11 Diagram deteksi microaneurysms

Untuk mendeteksi microaneurysms, ada beberapa tahapan yang harus

dilalui. Citra yang akan diproses melalui proses awal ialah perbaikan citra

yang berfungsi untuk mendapatkan hasil yang maksimal. Langkah

Akusisi Citra

Deteksi Microaneurysms

Green Channel Citra Grayscale

Deteksi Border Deteksi Batas Tepi Retina

Deteksi Fitur Terang

Menghilangkan Fitur Terang

Deteksi Penutup Optic Disk

Menghilangkan Optic Disk

53

selanjutnya citra dengan format RGB akan dikonversi kedalam grayscale dan

green channel. Citra Grayscale digunakan untuk mendeteksi perbatasan tepi

retina dan mask optical disk (penutup optic disk). Green Channel digunakan

untuk menemukan garis tepi (border) kemudian menghapus perbatasan

melingkar yang berfungsi mengisi daerah kecil yang tertutup. Daerah yang

lebih besar akan dihapus dan diterapkan dengan logika AND untuk

menghapus exudate. Karena tanda awal pada microaneurysms adalah berupa

fitur gelap. Penghapusan exudate merupakan salah satu cara pemisahan fitur

terang dan gelap. Pembuluh darah dan optic disk selanjutnya dihapus agar

didapatkan microaneurysms.

Gambar 3.12 Contoh proses deteksi microaneurysms pada fundus mata

4. Ekstraksi Fitur

Fitur merupakan informasi unik yang dimiliki oleh citra. Fitur berguna

untuk menentukan karakteristik dari citra untuk kepentingan clustering citra

fundus mata. Dalam penelitian ini menggunakan 3 jenis fitur. 3 fitur didapatkan

dari ekstraksi jumlah pixel pada blood vessels, exudates dan microaneurysms.

Nilai hasil ekstraksi fitur nantinya akan digunakan sebagai parameter dalam

ujicoba data testing.

54

Sebanyak 100 citra diekstraksi untuk mendapatkan 3 fitur yang spesifik

untuk menjadi data training program yang berguna untuk data acuan program

dalam menentukan apakan fundus mata tersebut terindentifikasi Normal, Mild

NPDR, Moderate NPDR, atau Severe NPDR.

Tabel 3.1 Ekstrasi fitur pada data training No Exudates Microaneurysms Blood Vessels No Exudates Microaneurysms Blood Vessels 1 0 126 20996 51 95 104 16596 2 12 53 17554 52 80 200 18198 3 0 57 17274 53 3 53 22722 4 0 46 23257 54 0 150 24116 5 0 55 22379 55 0 24 21404 6 77 83 19419 56 0 89 23263 7 106 55 19064 57 197 239 20111 8 0 22 19798 58 65 156 15968 9 0 104 19365 59 0 65 18193

10 0 37 17315 60 0 14 16245 11 0 26 14862 61 101 40 13321 12 91 35 14694 62 0 15 13382 13 0 82 18256 63 5 41 17643 14 0 30 8200 64 0 34 21968 15 0 99 21140 65 0 49 23647 16 0 15 20962 66 100 43 20470 17 0 33 16211 67 60 139 21451 18 530 276 15915 68 0 40 21600 19 86 15 20261 69 0 109 21452 20 139 85 21651 70 0 72 19728 21 0 58 20475 71 52 86 18684 22 0 36 19737 72 58 22 15772 23 262 149 20306 73 0 71 16342 24 100 262 18621 74 393 11 12594 25 37 606 32639 75 83 19 12126 26 1452 267 31338 76 0 45 20620 27 0 122 24563 77 0 77 16622 28 490 118 23958 78 0 0 4249 29 494 131 26114 79 0 40 6443 30 67 47 4588 80 14 166 16439 31 1168 173 22442 81 0 175 17183 32 688 218 19598 82 0 30 19659 33 2 55 20828 83 6 74 22014 34 0 89 18295 84 903 50 18983 35 0 27 22907 85 126 81 18355 36 0 25 23189 86 0 109 13220 37 205 53 24714 87 0 117 14811 38 89 214 25010 88 57 31 27548 39 11 82 13590 89 130 113 27908 40 2 79 10303 90 0 86 18547 41 0 18 11477 91 189 50 19401 42 5 23 14525 92 0 14 18072 43 71 68 23923 93 0 72 18901 44 7 111 25163 94 0 56 10302 45 9 178 12634 95 0 55 17920 46 2 162 19187 96 83 215 27288

55

47 0 99 18797 97 7 279 26837 48 7 204 15997 98 0 36 16304 49 0 7 5681 99 48 94 6420 50 0 45 6047 100 0 65 21644

5. Clustering Fitur Diabetic Retinopathy

Inti dari aplikasi terdapat pada bagian ini dikarenakan setelah proses

dilakukan akan menghasilkan citra keluaran yang telah di clustering. Proses

clustering ini menggunakan citra hasil keluaran dari proses pre-processing

sebagai masukan (input).


tahun 1981. Pengelompokan dengan mempertibangkan tingkat keanggotaan

yang mencakup himpunan fuzzy sebagai dasar pembobotan bagi pengelompokan

disebut dengan fuzzy clustering. Metode fuzzy K-Means clustering merupakan

pengembangan dari metode K-Means clustering untuk meminimalkan masalah

kegagalan konvergen. Konvergen memiliki sifat mengumpulkan, serta bersifat

menuju satu titik pertemuan dan bersifat memusat.

Berikut ini adalah langkah-langkah dari fuzzy K-Means, sebagai berikut:

a. Inisiasikan nilai pada beberapa komponen, sebagai berikut:

§ Banyaknya cluster yang diinginkan = c

§ Pangkat (pembobot) = m

§ Maksimum iterasi = maxIter

§ Error terkecil = e

b. Menentukan derajat keanggotaan secara acak

c. Menentukan pusat cluster pada kondisi awal

d. Hitunglah pusat cluster menggunakan rumus

56

e. Hitunglah fungsi keanggotaan mengunakan rumus

f. Hitunglah fungsi objektif pada iterasi mengunakan rumus

3.4.3 Perancangan Antar Muka

Untuk mempermudah penguna, maka perlu dibuat form antarmuka

(interface). Interface merupakan salah satu bagian terpenting dari sistem.

Interface memiliki arti, yaitu sistem yang dirancang untuk mengolah input dan

output dari data. Semua input dan output tersebut dirancang sedemikian rupa

sehingga menghasilkan hasil yang sederhana dan jelas, serta dapat

dimanfaatkan langsung ataupun diolah kembali oleh pengguna. Interface juga

harus bersifat user friendly, yang dimaksud dengan user friendly ialah interface

atau aplikasi yang memiliki kemampuan mudah dioperasikan dan tidak boleh

terlalu penyulitkan penguna (user) dikarenakan fitur-fitur yang terlalu

berlebihan. Selanjutnya akan ditampilkan rancangan antarmuka aplikasi,

sebagai berikut:

57

Gambar 3.13 Rancangan antarmuka aplikasi

Pada form di atas terdapat tombol ‘Cari’ itu digunakan untuk mencari file

yang akan menjadi citra masukan, file citra retina yang dibuka akan

ditampilkan pada axes1 beserta nama dari file tersebut. File citra retina tersebut

berformat *.tif. Selanjutnya tombol ‘Deteksi’ yaitu untuk menjalankan

klasifikasi fitur diabetic retinopathy secara keseluruhan. Seletah proses selesai,

hasil citra keluaran akan ditampilkan pada axes3 beserta deteksi penyakit,

apakah citra retina itu normal atau terkena penyakit diabetic retinopathy. Pada

bagian etraksi fitur terdapat axes4, axes5, axes6, dan axes7 yang berfungsi

untuk menampilkan proses yang terjadi pada citra retina. Serta pada tombol

‘View’ jika di-klik akan muncul jendela baru, di dalam jendela baru itu akan

muncul image dalam ukuran besar dan juga dapat melakukan proses

menyimpan data image yang telah diproses.

BAB IV

HASIL DAN PEMBAHASAN

Pada bab ini dijelaskan mengenai rangkaian uji coba dan evaluasi terhadap

penelitihan yang telah dilakukan. Implementasi berupa fungsi-fungsi atau source

code untuk proses clustering fitur diabetic retinopathy mulai dari tahap awal

hingga akhir. Uji coba ditujuan untuk melihat sejauh mana keberhasilan dari

implementasi perangkat lunak (software) ini dan evaluasi dilakukan dengan cara

analisa terhadap hasil dari uji coba serta untuk mendapatkan kesimpulan dan saran

untuk pengembangan kedepannya bagi implementasi aplikasi perangkat lunak ini.

4.1 Lingkungan Implementasi

Proses pembangunan komponen-komponen pokok sebuah sistem

berdasarkan desain yang sudah dibuat itu disebut implementasi. Implementasi

sistem adalah sebuah proses pembuatan dan penerapan sistem secara utuh baik

dari sisi pengkat keras (hardware) maupun perangkat lunaknya (software).

Implementasi ini terdapat lingkungan perangkat keras dan lingkungan perangkat

lunak. Spesifikasi dari perangkat keras dan perangkat lunak yang dipergunakan

dalam uji coba ini, sebagai berikut:

Tabel 4.1 Lingkungan uji coba No. Jenis Perangkat Spesifikasi

1.

2.

3.

4.

5.

Laptop

Prosesor

Memory

Sistem Opetasi (OS)

Perangkat Pengembang

GOODWIN Estima W900 Series

Prosessor Intel Pentium Dual

CPU T2370 1.75GHz

2048MB

Windows XP Professional

Matlab R2008a

58

59

4.2 Penjelasan Program

Pada subbab ini akan menjelaskan mengenai alur pembuatan dan kegunaan

program yang dibuat beserta tampilan desain dari program tersebut. Berikut ini

adalah tampilan-tampilan pada halaman dalam program, sebagai berikut:

4.2.1 Proses Menampilkan Halaman Utama

Halaman Utama adalah halaman yang pertama kali diakses oleh

pengguna. Melalui halaman ini semua tahapan clustering dilakukan, mulai dari

input image, proses clustering citra, hingga proses penyimpanan citra hasil

klasifikasi.

Gambar 4.1 Tampilan form halaman utama

Pada tampilan form halaman utama ini pada bagian atas terdapat judul

atau nama aplikasi yang dibuat. Pada bagian atas sebelah kiri terdapat beberapa

tombol yang digunakan dalam proses ekstraksi citra, yaitu tombol ‘Cari’ yang

60

digunakan untuk membuka file citra dari drive komputer dan tombol ‘Deteksi’

yang digunakan untuk melakukan ekstraksi pada citra input. Selanjutnya pada

bagian bawah sebelah kiri terdapat tombol ‘View’ yang dipergunakan untuk

melihat hasil citra image dalam ukuran besar serta berfungsi untuk menyimpan

citra image yang telah melalui proses clustering citra.

4.2.2 Proses Input Citra

Sebelum proses ekstraksi dilakukan, hal pertama yang dilakukan adalah

input image, yaitu proses pengambilan file citra digital fundus mata dari drive

komputer yang akan diekstraksi. Citra yang di-input-kan akan dimasukkan ke

axes yang pertama atau sebelah kiri atas yang selanjutnya akan di proses pada

langkah berikutnya. Tampilan form input image dapat dilihat pada gambar

berikut ini.

Gambar 4.2 Proses input citra

61

Setelah halaman utama keluar, seoarang user (pengguna) dapat

melakukan input citra yang akan diklasifikasi dengan cara menekan tombol

‘Cari’, setelah itu file citra yang input akan muncul pada bagian axes1 pada

sebelah kiri atas form utama. Di bawah gambar input citra retina terdapat

keterangan nama dari file citra yang diambil, itu berguna untuk mempermudah

user untuk mengetahui file data apa yang sedang diproses. Berikut ini

merupakan sourcecode program pada proses pengambilan input citra retina.

function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; proyek=guidata(gcbo); [namafile,direktori]=uigetfile({'*.tif';'*.bmp';'*.png';'*.jpg'}, 'Buka Gambar') if isequal(namafile,0) return; end eval(['cd ''' direktori ''';']); I=imread(namafile);

set(proyek.namafile,'String',''); set(proyek.classtextbox,'String',''); set(proyek.panelhsi,'visible','off'); set(proyek.panelblood,'visible','off'); set(proyek.panelexudates,'visible','off'); set(proyek.panelmicro,'visible','off');

axes(handles.axes6) cla reset axis off axes(handles.axes2) cla reset axis off axes(handles.axes3) cla reset axis off axes(handles.axes4) cla reset axis off cla reset axis off axes(handles.axes7) cla reset axis off

info=imfinfo(namafile); set(proyek.namafile,'String',info.Filename); guidata(hObject,handles); set(proyek.figure1,'CurrentAxes',proyek.axes1); imshow(I); set(proyek.axes1,'Userdata',I); set(proyek.figure1,'Userdata',I); setappdata(handles.figure1,'img',I);

62

4.2.3 Proses Pre-processing

Setelah proses input citra atau ambil citra, selanjutnya yang dilakukan

adalah proses pre-processing. Pada tahap pre-processing ini memiliki beberapa

tahapan diantaranya konversi RGB menjadi HSI hal ini dilakukan untuk

mempersiapkan citra. Berikut ini adalah penjelasan dari masing-masing

tahapan pre-processing beserta sourcecode program:

a. Konversi citra RGB menjadi HSI

Setelah file di-input-kan, citra tersebut dikoversi menjadi citra HSI

(Hue, Saturation, Intensity). Citra retina yang diterima adalah citra

berwarna, sehingga terlebih dahulu melalui proses konversi menjadi HSI.

Berikut ini adalah cuplikan soucecode dari proses konversi menjadi HSI:

%% RGB ke HSI %% set(proyek.classtextbox,'string','RGB to HSI..'); pause(0.1) %to display the text F=im2double(I); r=F(:,:,1); g=F(:,:,2); b=F(:,:,3); th=acos((0.5*((r-g)+(r-b)))./((sqrt((r-g).^2+(r-b).*(g-b)))+eps)); H=th; H(b>g)=2*pi-H(b>g); H=H/(2*pi); S=1-3.*(min(min(r,g),b))./(r+g+b+eps); A=(r+g+b)/3; hsi=cat(3,H,S,A);

Grayscale = rgb2gray (I); %converting the fundus image (RGB) to grayscale Grayscale_brighten = imadjust(Grayscale); set(proyek.figure1,'CurrentAxes',proyek.axes6); imshow(hsi); axis tight set(proyek.axes1,'Userdata',I); set(proyek.figure1,'Userdata',I); set(proyek.panelhsi,'visible','on');

select_image = I;

63

4.2.4 Proses Segmentasi

a. Menghilangkan pembuluh darah (blood vessels)

Setelah proses konversi menjadi HSI, langkah selanjutnya adalah

menghilangkan blood vessels (pembuluh darah). Itu bertujuan untuk

mempermudah dalam mendeteksi penyakit pada mata sehingga penyakit

dapat telihat lebih jelas. Berikut ini adalah cuplikan soucecode dari proses

penghilangan blood vessels:

b. Deteksi awal exudates

Setelah menghilangkan pembuluh darah, langkah selanjutnya adalah

mendeteksi adanya exudates. Exudates ialah kerusakan akibat diabetic

retinopathy berupa bercak kecil berwarna putih kekuning-kuningan. Berikut

ini adalah cuplikan soucecode dari proses deteksi awal exudates:

c. Deteksi awal microaneurysm

Setelah deteksi awal exudates, langkah selanjutnya adalah mendeteksi

adanya microaneurysm. Microaneurysm ialah titik merah kecil antara

pembuluh darah retina. Berikut ini adalah cuplikan soucecode dari proses

deteksi awal microaneurysm:

%% Exudates %% set(handles.classtextbox,'string','Processing EX..'); pause(0.1) %to display the text [EX_area EX_image] = function_EX (select_image); axes(handles.axes3); axis tight imshow(EX_image),zoom on;

%% Blood Vessels %% set(handles.classtextbox,'string','Analyzing BV..'); pause(0.1) %to display the text [BV_area BV_image] = function_BV (select_image); axes(handles.axes2); imshow(BV_image),zoom on; axis tight

64

4.2.5 Proses Ekstraksi Fitur

Ekstraksi fitur berguna untuk menentukan karakteristik dari citra untuk

kepentingan clustering citra. 3 fitur didapatkan dari ekstraksi jumlah pixel pada

blood vessels, exudates dan microaneurysms.

Sebanyak 130 citra diekstraksi untuk mendapatkan 3 fitur yang spesifik.

Terdiri dari 100 adalah data training dan 30 adalah data testing. Terbagi atas 14

citra fundus mata teridentifikasi Normal, 45 citra fundus mata teridentifikasi

Mild NPDR, 6 citra fundus mata teridentifikasi Moderate NPDR, dan 65 citra

fundus mata teridentifikasi Severe NPDR.

Tabel 4.2 Range fitur blood vessels Klasifikasi N Mean Median Nilai Minimal Nilai Maximal

Normal 14 7189.93 6431.5 4249 11477 Mild NPDR 45 16259.16 16622 12126 18547 Moderate NPDR 6 26127.5 26196 24563 27548 Severe NPDR 65 21823.72 20983 18614 32639

TOTAL 130

Gambar 4.3 Sebaran nilai blood vessels

11477

18547

27548

32639

4249

12126

24563

18614

6431.5

16622

26196

20983

0

5000

10000

15000

20000

25000

30000

35000

Normal Mild Moderate Severe

%% Microaneurysms %% set(handles.classtextbox,'string','Processing MIC..'); pause(0.1) %to display the text [MIC_area MIC_image] = function_MIC (select_image);

65

Tabel 4.3 Range fitur exudates Klasifikasi N Mean Median Nilai Minimal Nilai Maximal

Normal 14 29 48 0 153 Mild NPDR 45 39.98 72.5 0 530 Moderate NPDR 6 62.67 57 0 205 Severe NPDR 65 124.25 86 0 1452

TOTAL 130

Gambar 4.4 Sebaran nilai exudates

Tabel 4.4 Range fitur microaneurysms Klasifikasi N Mean Median Nilai Minimal Nilai Maximal

Normal 14 52.57 42.5 0 153 Mild NPDR 45 65.84 68 0 276 Moderate NPDR 6 70.67 80 0 122 Severe NPDR 65 101.17 78.5 0 966

TOTAL 130

Gambar 4.5 Sebaran nilai microaneurysms

153

530

205

1452

0 0 0 048 72.5 57 86

0

200

400

600

800

1000

1200

1400

1600


153

276

122

966

0 0 0 042.5 68 80 78.5

0

200

400

600

800

1000

1200


66

4.2.6 Proses Clustering Fitur Diabetic Retinopathy

Bagian inti dari penelitihan ini terletak pada proses clustering fitur

diabetic retinopathy. Proses clustering merupakan proses inti/utama dari

aplikasi, yaitu clustering fitur diabetic retinopathy pada citra digital fundus

mata menggunakan metode fuzzy K-Means. Sebelum tahapan clustering maka

terlebih dahulu melalui proses iterasi sebanyak 100 kali. Di bawah ini adalah

sourcecode untuk peng-cluster-an dengan fuzzy K-Means, sebagai berikut:

fuzzykmeans.m function [U, centroid, dist, W, obj] = fuzme (nclass,data,U,phi,maxiter,distype,toldif)

% fuzzy k-means printing=0; if(phi<=1), phi=1.01, end;

ndata = size(data, 1); % jumlah data ndim = size(data, 2); % jumlah dimensi centroid=zeros(nclass,ndim); dist=zeros(ndata,nclass);

% memeriksa jenis jarak if(distype==1) % euclidean W=eye(ndim); elseif(distype==2) % diagonal W=eye(ndim).*cov(data); elseif(distype==3) % mahalanobis W=inv(cov(data)); end

nclass=4; % jumlah class (cluster) phi=2; % fuzzy exponent > 1 maxiter=100; % iterasi maksimal toldif=0.0000001; % kriteria konvergensi distype=1; % Jenis jarak: 1 = euclidean, 2 = diagonal, 3 = mahalanobis scatter=0.2; % menyebar di sekitar keanggotaan awal

ndata = size(Data, 1); % jumlah data Uinit= initmember(scatter,nclass,ndata); [U,centroid,dist,W,obj] = fuzzykmeans (nclass,Data,Uinit,phi,maxiter,distype,toldif); U=U';

% output: % U = membership matrix % centroid = centroid centroid(nclass, ndim) % dist = distance matrix dist(ndata,nclass) % W = distance norm matrix % obj = objective function

67

Euclidean distance adalah perhitungan jarak dari 2 buah titik dalam satu

area. Diagonal distance adalah menghitung jarah yang memiliki delapan arah

gerak (dapat bergerak diagonal). Mahalanobis distance adalah menghitung jarak

proporsi jumlah ketidaksesuaian sebuah pengamatan terhadap rata-rata proporsi

dari seluruh pengamatan untuk setiap variabel.

obj=0; uphi = U.^phi;

for i = 1:maxiter,

% menghitung centroid (titik pusat) c1=uphi'*data; t1=sum(uphi)'; t1=t1(:,ones(ndim,1)); centroid=c1./t1;

% menghitung jarak dari data ke centroid if(distype==1), % jarak euclidean dist=euclidean(data, centroid); else, dist = sqrt(mahalanobis(data, centroid, W)); end;

% menyimpan iterasi sebelumnya U_old=U; obj_old=obj;

% menghitung matriks keanggotaan baru tmp = dist.^(-2/(phi-1)); t1=sum(tmp')'; t2=t1(:,ones(nclass,1)); U = tmp./t2; uphi = U.^phi;

% menghitung objective function o1=(dist.^2).*uphi; obj = sum(sum(o1'));

% memeriksa konvergensi dif=(obj_old-obj); difU=sqrt((U - U_old).*(U - U_old)); Udif=sum(sum(difU)); if printing==1, fprintf('Iteration = %d, obj. fcn = %f. diff = %f\n', i, obj, Udif); end if and(dif<toldif,Udif < toldif), break; end, end

68

4.2.6 Proses Tampilan Hasil Citra

Setelah input citra melalui tahapan proses clustering, hasil citra akan

ditampilkan pada form utama, sebagai berikut:

Gambar 4.6 Tampilan hasil pada form utama

Seperti yang terlihat pada gambar citra hasil, setelah melalui proses

clustering, hasil proses akan ditampilkan pada axes3 yang terletak di kiri

bawah. Berikut ini adalah soucecode dari hasil clustering:

[c,i]=sort(centroid(:,2)); [DT, II] = max(U); f=[i]; outc=II(:,101); out=find(f==outc); if out == 1; class = 'Normal'; elseif out == 2; class = 'Mild NPDR'; elseif out == 3; class = 'Moderate NPDR'; elseif out == 4; class = 'Severe NPDR'; end % Hasil=[Nlise_EX, Nlise_MIC, Nlise_BV, out]; % setappdata(handles.figure1,'Hasil',Hasil);

69

4.2.7 Fungsi Pendukung

Berikut ini adalah soucecode dari fungsi pendukung lain yang ada di

dalam form utama aplikasi fitur diabetic retinopathy. Fungsi pendukung ini

digunakan untuk melengkapi tampilan yang ada di form utama sehingga

mempermudah dalam menjalankan aplikasi tersebut. Fungsi pendukung ini

berbentuk sebuah tombol, sebagai berikut:

a. Sourecode dari form Utama dan tombol ‘Cari’

function varargout = Ratinopathy_soft(varargin) % GUI_FM M-file for GUI_fm.fig % GUI_FM, by itself, creates a new GUI_FM or raises the existing % singleton*. % % H = GUI_FM returns the handle to a new GUI_FM or the handle to % the existing singleton*. % % GUI_FM('Property','Value',...) creates a new GUI_FM using the % given property value pairs. Unrecognized properties are passed via % varargin to GUI_fm_OpeningFcn. This calling syntax produces a % warning when there is an existing singleton*. % % GUI_FM('CALLBACK') and GUI_FM('CALLBACK',hObject,...) call the % local function named CALLBACK in GUI_FM.M with the given input % arguments. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help GUI_fm % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Ratinopathy_soft_OpeningFcn, ... 'gui_OutputFcn', @Ratinopathy_soft_OutputFcn, ... 'gui_LayoutFcn', [], ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

70

b. Sourecode dari fungsi tombol ‘Deteksi’

% hObject handle to analyzepushbutton (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %============================================================== % Run the analyze and display results/images upon pushing button %============================================================== global selection_value; proyek=guidata(gcbo); I=get(proyek.axes1,'Userdata'); if isequal(I,[]) msgbox('CARI GAMBAR DULU','Peringatan','warn'); else set(proyek.classtextbox,'string','RGB to HSI..'); pause(0.1) %to display the text F=im2double(I); r=F(:,:,1); g=F(:,:,2); b=F(:,:,3); th=acos((0.5*((r-g)+(r-b)))./((sqrt((r-g).^2+(r-b).*(g-b)))+eps)); H=th; H(b>g)=2*pi-H(b>g); H=H/(2*pi); S=1-3.*(min(min(r,g),b))./(r+g+b+eps); A=(r+g+b)/3; hsi=cat(3,H,S,A); Grayscale = rgb2gray (I); %converting the fundus image (RGB) to grayscale Grayscale_brighten = imadjust(Grayscale); set(proyek.figure1,'CurrentAxes',proyek.axes6); imshow(hsi); axis tight set(proyek.axes1,'Userdata',I); set(proyek.figure1,'Userdata',I); set(proyek.panelhsi,'visible','on'); select_image = I;

% --- Executes just before GUI_fm is made visible. function Ratinopathy_soft_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin unrecognized PropertyName/PropertyValue pairs from the % command line (see VARARGIN) % Choose default command line output for GUI_fm handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes GUI_fm wait for user response (see UIRESUME) % uiwait(handles.figure1); %======================================== %display the first image when opening GUI %========================================

71

%% Blood vessels %% set(handles.classtextbox,'string','Analyzing BV..'); pause(0.1) %to display the text [BV_area BV_image] = function_BV (select_image); axes(handles.axes2); imshow(BV_image),zoom on; axis tight set(proyek.panelblood,'visible','on'); %% Exudates %% set(handles.classtextbox,'string','Processing EX..'); pause(0.1) %to display the text [EX_area EX_image] = function_EX (select_image); axes(handles.axes3); axis tight imshow(EX_image),zoom on; set(proyek.panelexudates,'visible','on'); %% Microaneurysms %% set(handles.classtextbox,'string','Processing MIC..'); pause(0.1) %to display the text [MIC_area MIC_image] = function_MIC (select_image); axes(handles.axes4); axis tight imshow(MIC_image),zoom on; set(proyek.panelmicro,'visible','on'); D=logical(MIC_image); gbr_asli_gabung = imresize(select_image, [576 720]); gbr_asli_gabung(D)=0; % --- utk simpan 3 --- handles.hasil_tepi_gabung = gbr_asli_gabung; handles.tampil_tepi_gabung = handles.hasil_tepi_gabung; guidata(hObject,handles); axes(handles.axes7); set(proyek.figure1,'CurrentAxes',proyek.axes7); imshow(gbr_asli_gabung); set(proyek.axes7,'Userdata',gbr_asli_gabung); set(proyek.figure1,'Userdata',gbr_asli_gabung); % set(handles.text13,'string','Citra Gabung'); %% Texture Analysis %% [TEXT_GreenX2_value TEXT_HisX2_image] = function_TEXTURE (select_image); [HOMO_value] = function_HOMO (select_image); set(handles.classtextbox,'string','Processing FCM..'); pause(0.1) %to display the text Nlise_Cw = Cw_area; % Perkiraan Tambahan untuk cottonwool Nlise_HOMO = HOMO_value; Nlise_TT = TEXT_GreenX2_value; Nlise_BV = BV_area Nlise_EX = EX_area Nlise_MIC = MIC_area %input_data/data uji Nlise_selected = [Nlise_EX, Nlise_MIC, Nlise_BV]; % (jika tanpa tanda ; maka data yang sedang di run akan keluar nilai sesuai susunan di atas) load Nlise_Training; % Data Training

72

c. Sourecode dari tombol ‘View’

function pushbutton12_Callback(hObject, eventdata, handles) % hObject handle to pushbutton12 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); try A=get(proyek.axes7,'Userdata'); imview(A) catch errordlg('BELUM ADA HASIL IDENTIFIKASI','ERROR') end

Data = [Nlise_Training; Nlise_selected]; % Panjang Data [m, n] = size(Data); %% Pengclusteran dengan FKM nclass=7; % number of class phi=2; % fuzzy exponent > 1 maxiter=100; % maximum iterations toldif=0.0000001; % convergence criterion distype=1; % distance type: 1 = euclidean, 2 = diagonal, 3 = mahalanobis scatter=0.2; % scatter around initial membership ndata = size(Data, 1); % number of data Uinit= initmember(scatter,nclass,ndata); [U,centroid,dist,W,obj] = fuzzykmeans(nclass,Data,Uinit,phi,maxiter,distype,toldif); U=U'; % output: % U = membership matrix % centroid = centroid centroid (nclass, ndim) % dist = distance matrix dist (ndata, nclass) % W = distance norm matrix % obj = objective function c,i]=sort(centroid(:,2)); [DT, II] = max(U); f=[i]; outc=II(:,101); out=find(f==outc); if out == 1; class = 'Normal'; elseif out == 2; class = 'Mild NPDR'; elseif out == 3; class = 'Moderate NPDR'; elseif out == 4; class = 'Severe NPDR'; end % Hasil=[Nlise_EX, Nlise_MIC, Nlise_BV, out]; % setappdata(handles.figure1,'Hasil',Hasil); %% display Classification %% set(handles.classtextbox,'string',class); end

73

4.3 Uji Coba

Proses pengujian aplikasi dilakukan dengan cara membandingkan hasil

clustering pada citra diabetic retinopathy yang diperoleh dari hasil clustering

program pada citra diabetic retinopathy secara manual.

Dari proses hasil klasifikasi tersebut, aplikasi akan mendeteksi ada atau

tidaknya bercak pada setiap sampel. Hasilnya akan dihitung sehingga diketahui

berapakah presentase sampel yang berhasil dideteksi oleh aplikasi.

Selanjutnya dari hasil clustering tersebut, baik hasil clustering program

maupun hasil clustering manual, akan dihitung berapa jumlah bercak yang

terdeteksi pada masing-masing sampel. Hasil dari perhitungan itu, kemudian

dibandingkan berapakah presentase bercak yang dapat terdeteksi oleh program

terhadap hasil clustering secara manual.

Pengujian bermula dengan melakukan segmentasi terhadap 100 sampel data

training dilanjutkan 30 sampel data testing. Hasil clustering akan didapatkan citra

hasil proses clustering beserta informasi ada atau tidaknya bercak pada uji citra.

Hasil pendeteksiannya adalah sebagai berikut:

Tabel 4.5 Hasil deteksi diabetic retinopathy pada data training

No Sampel Nama Gambar Sampel Deteksi Diabetic Retinopaty

Perbandingan Kesesuaian Hasil

Klasifikasi Manual

Klasifikasi Program

1 20051019_38557_0100_PP.tif Severe Severe Cocok

2 20051019_38557_0100_PP.tif Mild Mild Cocok








74





14 20051020_44692_0100_PP.tif Normal Normal Cocok













27 20051020_52801_0100_PP.tif Moderate Moderate Cocok






















75








































76














Tabel 4.6 Hasil deteksi diabetic retinopathy pada data testing

No Sampel Nama Gambar Sampel Deteksi Diabetic Retinopaty

Perbandingan Kesesuaian Hasil

Klasifikasi Manual

Klasifikasi Program


2 20051213_61406_0100_PP.tif Moderate Mild Tidak Cocok




















22 20051214_40912_0100_PP.tif Severe Normal Tidak Cocok

77







29 20051214_41582_0100_PP.tif Moderate Severe Tidak Cocok


Pada tabel 4.5 dan 4.6 menunjukan perbandingan antara hasil proses

pendeteksian clustering manual dengan hasil proses pendeteksian clustering

program. Dari 130 buah sempel data training dan data testing yang diujikan,

didapatkan hasil jumlah sampel yang cocok sebanyak 127 sampel dan hasil

jumlah sampel yang tidak cocok sebanyak 3 sampel. Sehingga dapat diperoleh

data keberhasilan sebagai berikut:

Jadi dari hasil perhitungan di atas tingkat keberhasilan clustering fitur

diabetic retinopathy menggunakan metode fuzzy K-Means dengan persentase

sebesar 97,69%.

78

BAB V

PENUTUP

5.1 Kesimpulan

Clustering diabetic retinopathy yang dideteksi menggunakan program

dilakukan uji coba menggunakan 130 data sampel citra fundus diabetic

retinopathy yang berbeda dengan membandingkan hasil dari clustering secara

manual dan clustering dengan program. Berdasarkan pembahasan dan uraian pada

aplikasi yang telah dibuat beserta uji coba yang telah dilakukan, maka dapat

disimpulkan:

Aplikasi dapat mendeteksi diabetic retinopathy berdasarkan stadiumnya

yaitu normal, mild NPDR, moderate NPDR, dan severe NPDR menggunakan

metode fuzzy K-Means dalam citra fundus yang diujikan dengan persentase

keberhasilan sebesar 97,69% dari seluruh citra yang telah diujikan.

5.2 Saran

Aplikasi ini dapat dikembangkan lebih lanjut, parameter nilai yang diambil

untuk proses ekstasi fitur, dan proses pengidentifikasian dapat ditambahkan agar

hasil klasifikasi lebih akurat. Metode pada proses pre-processing dapat diganti

dengan metode lainnya.

79

DAFTAR PUSTAKA

Agusta. 2007. K-Means-Penerapan, Permasalahan dan Metode Terkait. Jurnal

Sistem dan Informatika 3:47-60.

Anggarawati, Tjandrasa dan Yuniarti. 2012. Segmentasi Area Makula pada Citra

Fundus Retina dengan Operasi Morfologi. Surabaya: Jurusan Teknik

Informatika ITS.

Aung Kyaw Thet. 2010. Application of Higher Order Spectra for The Identification

of Diabetic Retinopathy Stages. SIM University.

Bilous, Rudy. 2003. Diabetes. Jakarta: Dian Rakyat.

Dalimartha, Setiawan. 2007. Ramuan Tradisional untuk Pengobatan Diabetes

Melitus. Jakarta: Penebar Surabaya.

David, Rekha Krishnan dan Kumar, Sekesh. 2008. Neural Network Based Retinal

Image Analysis. Congress on Image and Signal Processing.

Dillak, Yefrenes dan Bintiri, Ganantowe. 2013. Klasifikasi Citra Diabetic

Retinopathy Menggunakan 3D-GLCM Projection. NTT: Teknik Informatika

Politeknik Negeri Kupang.

Dinar, Febrina dan Sutikno. 2010. Pengelompokkan Zona Musim (ZOM) dengan

Fuzzy K-Means Clustering. Suabaya: Jurusan Statistika FMIPA ITS.

Faisal, Muhammad. 2013. Klasifikasi Penderita Diabetic Retinopathy

Menggunakan Support Vector Machines (SVM) Berbasis Fitur

Microneurysm, Hemorrhage dan Exudate. Surabaya: Teknik Elektro Institut

Teknologi Sepuluh November.

Faisal, Purnama, Hariadi, dan Purnomo. 2012. Retinal Blood Vessel Segmentation

In Diabetic Retinopathy Image Using Maximum Tree. Surabaya: Institut

Teknologi Sepuluh November.

Gagnon, Lalonde, Beaulieu, dan Boucher. 2001. Procedure to Detect Anatomical

Structures in Optical Fundus Images. San Diego: Proceedings of Conference

Medical Imaging 2001 (pp. 1218-1225).

Hong SL. 2006. Experiment With K-Means, Fuzzy C-Means and Approaches to

Choose K and C. Orlando: University of Central Florida.

79

80

Iqbal, Aibinu, Gubbal, dan Khan. 2006. Automatic Diagnosis of Diabetic

Retinopathy using Fundus Citras. Blekinge Institute of Technology.

Jelinek, Depardieu, Lucas, Cornforth, Huang, dan Cree. Towards Vessel

Characterisation in The Vicinity of The Optic Disc in Digital Retinal Images.

Kauppi, Tomi dan Kalesnykiene, Valentina. 2006. DIARETDB1 Diabetic

Retinopathy Database and Evaluation Protocol. Finland: University of

Kuopio.

King, Philip. 2004. An Investigation into The Design of An Automated Glaucoma

Diagnostic System. Texas Tech University.

Kusumadewi dan Pramono. Aplikasi Logika Fuzzy untuk Pendukung Keputusan.

2004. Yogyakarta: Graha Ilmu.

Kusumadewi dan Rismawan. 2008. Aplikasi K-Means untuk Pengelompokkan

Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka.

Yogyakarta: Jurusan Teknik Informatika UII.

Kusumadewi, Hartati, Harjoko, dan Wardoyo. 2006. Fuzzy Multi-Attribute Decision

Making (FUZZY MADM). Yogyakarta: Graha Ilmu.

Lathifaturrahmah. 2010. Perbandingan Hasil Penggerombolan Metode K-Means,

Fuzzy K-Means, dan Two Step Cluster. Bogor: Pasca Sarjana IPB.

Muhammad, bid Abdullah. 2006. Tafsir Ibnu Kasir. Jakarta: Pustaka Imam Syafi’i.

Munir, Rinaldi. 2003. Matematika Diskrit. Bandung: Informatika.

Nurkamid, Mukhamad dan Sutejo. 2010. Metode Kecerahan Citra Kontras Citra

dan Penajaman Citra untuk Peningkatan Mutu Citra. Kudus: Teknik

Informatika.

Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan

Matlab. Yogyakarta: ANDI.

Setiawan, Wahyudi. 2012. Sistem Deteksi Retinopathy Diabetic Menggunakan

Support Vector Machine. Semarang: Pasca Sarjana Jurusan Sistem Informasi

Universitas Diponegoro.

Shihab, Quraish. 2002. Tafsir Al-Misbah: Pesan, Kesan dan Keserasian Al-Quran.

Jakarta:Lentera Hati.

81

Sopharak, Akara dan New, Khine Thet. 2008. Automatic Exudate Detection with a

Naive Bayes Classifier. Bangkok: Asian Institute of Technology Thailand.

Thongnuch, Viranee dan Uyyanonvara, Bunyarit. 2006. Automatic Detection of

Optic Disc from Fundus Images of ROP Infant Using 2D Circular Hough

Transform. Thailand: Thammasat University, Sirindhorn International

Institute of Technology.

Thongnuch, Viranee dan Uyyanonvara, Bunyarit. 2007. Automatic Optic Disk

Detection from Low Contrast Retinal Images of ROP Infant Using

Mathematical Morphology. Thailand: Thammasat University, Sirindhorn

International Institute of Technology.

Umran, Munzir dan Abidin, Taufik Faudi. 2009. Pengelompokkan Dokumen

Menggunakan K-Means dan Singular Value Decomposition: Studi Kasus

Menggunakan Data Blog. Banda Aceh: Jurusan Matematika FMIPA

Universitas Syiah Kuala.

Usman, Ahmad. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.

Yogyakarta: Graha Ilmu.

Wakhidah, Nur. 2012. Clustering Menggunakan K-Means Algorithm (K-Means

Algorithm Clustering). Semarang: Fakultas Teknologi Informasi dan

Komunikasi Universitas Semarang.

Walter, Thomas and Klein. 2001. Segmentation of Color Fundus Citras of Human

Retina: Detection of The Optic Disk and The Vascular Tree Using

Morphological Techniques. Medical Data Analysis (pp. 282-287).

Yusuf, Ahmad Muhammad. 2009. Ensiklopedi Tematis ayat Al-Quran dan Hadits.

Jakarta: Widya Cahaya.

Zahara, Rizal dan Usman. 2011. Simulasi untuk Klasifikasi Retinopati Diabetes

Nonproliferatif Berdasarkan Mikroaneurisma dan Hemorrhages. Institut

Teknologi Telkom: Fakultas Elektro dan Komunikasi.

http://messidor.crihan.fr

Image Name (Data Training) Ophthalmologic Ddepartment Retinopathy Grade20051019_38557_0100_PP.tif Service Ophtalmologie Lariboisière 3

20051020_43808_0100_PP.tif Service Ophtalmologie Lariboisière 1

20051020_43832_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_43882_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_43906_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44261_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44284_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44338_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44349_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44400_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44431_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44598_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44636_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44692_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_44714_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44762_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44782_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44843_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_44901_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44923_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_44982_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45004_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45050_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45068_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45110_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_45137_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_52801_0100_PP.tif Service Ophtalmologie Lariboisière 220051020_53062_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_53178_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_53997_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_54209_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_55346_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_55701_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_56592_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_56791_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_57157_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_57566_0100_PP.tif Service Ophtalmologie Lariboisière 220051020_57622_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_57761_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_57844_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_57967_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_58065_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_58214_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_58276_0100_PP.tif Service Ophtalmologie Lariboisière 220051020_61557_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_61757_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_61804_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_61907_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_61998_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_62014_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_62337_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_62385_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_62461_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62510_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62577_0100_PP.tif Service Ophtalmologie Lariboisière 3

20051020_62615_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62709_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_62802_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_62878_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63045_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63141_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63269_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63337_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_63711_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_63829_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_63936_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64007_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64249_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64388_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64518_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64570_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64653_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64703_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64775_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64836_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_64945_0100_PP.tif Service Ophtalmologie Lariboisière 320051020_64993_0100_PP.tif Service Ophtalmologie Lariboisière 120051020_65166_0100_PP.tif Service Ophtalmologie Lariboisière 020051020_65230_0100_PP.tif Service Ophtalmologie Lariboisière 020051021_36097_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_36208_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_36380_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_36476_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_39222_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_39314_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39482_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39552_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39661_0100_PP.tif Service Ophtalmologie Lariboisière 220051021_39719_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_39845_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_39914_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_40018_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_40074_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_40180_0100_PP.tif Service Ophtalmologie Lariboisière 020051021_40248_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_40377_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_40450_0100_PP.tif Service Ophtalmologie Lariboisière 320051021_51418_0100_PP.tif Service Ophtalmologie Lariboisière 120051021_51476_0100_PP.tif Service Ophtalmologie Lariboisière 020051021_51476_0100_PP.tif Service Ophtalmologie Lariboisière 3

Image Name (Data Testing) Ophthalmologic dDepartment Retinopathy Grade20051213_61406_0100_PP.tif Service Ophtalmologie Lariboisière 020051213_61802_0100_PP.tif Service Ophtalmologie Lariboisière 220051213_61892_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_61951_0100_PP.tif Service Ophtalmologie Lariboisière 220051213_62046_0100_PP.tif Service Ophtalmologie Lariboisière 320051213_62188_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62251_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62314_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62383_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62437_0100_PP.tif Service Ophtalmologie Lariboisière 320051213_62518_0100_PP.tif Service Ophtalmologie Lariboisière 120051213_62572_0100_PP.tif Service Ophtalmologie Lariboisière 320051213_62648_0100_PP.tif Service Ophtalmologie Lariboisière 020051213_62705_0100_PP.tif Service Ophtalmologie Lariboisière 020051214_40361_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40456_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40529_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40596_0100_PP.tif Service Ophtalmologie Lariboisière 220051214_40719_0100_PP.tif Service Ophtalmologie Lariboisière 120051214_40767_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40849_0100_PP.tif Service Ophtalmologie Lariboisière 120051214_40912_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_40994_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41055_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41289_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41358_0100_PP.tif Service Ophtalmologie Lariboisière 120051214_41429_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41490_0100_PP.tif Service Ophtalmologie Lariboisière 320051214_41582_0100_PP.tif Service Ophtalmologie Lariboisière 220051214_41949_0100_PP.tif Service Ophtalmologie Lariboisière 3

Exudates Microaneurysms Blood Vessels

0 126 20996

12 53 17554

0 57 17274

0 46 23257

0 55 22379

77 83 19419

106 55 19064

0 22 19798

0 104 19365

0 37 17315

0 26 14862

91 35 14694

0 82 18256

0 30 8200

0 99 21140

0 15 20962

0 33 16211

530 276 15915

86 15 20261

139 85 21651

0 58 20475

0 36 19737

262 149 20306

100 262 18621

37 606 32639

1452 267 31338

0 122 24563

490 118 23958

494 131 26114

67 47 4588

1168 173 22442

688 218 19598

2 55 20828

0 89 18295

0 27 22907

0 25 23189

205 53 24714

89 214 25010

11 82 13590

2 79 10303

0 18 11477

5 23 14525

71 68 23923

7 111 25163

DATA TRAINING (100 data)

9 178 12634

2 162 19187

0 99 18797

7 204 15997

0 7 5681

0 45 6047

95 104 16596

80 200 18198

3 53 22722

0 150 24116

0 24 21404

0 89 23263

197 239 20111

65 156 15968

0 65 18193

0 14 16245

101 40 13321

0 15 13382

5 41 17643

0 34 21968

0 49 23647

100 43 20470

60 139 21451

0 40 21600

0 109 21452

0 72 19728

52 86 18684

58 22 15772

0 71 16342

393 11 12594

83 19 12126

0 45 20620

0 77 16622

0 0 4249

0 40 6443

14 166 16439

0 175 17183

0 30 19659

6 74 22014

903 50 18983

126 81 18355

0 109 13220

0 117 14811

57 31 27548

130 113 27908

0 86 18547

189 50 19401

0 14 18072

0 72 18901

0 56 10302

0 55 17920

83 215 27288

7 279 26837

0 36 16304

48 94 6420

0 65 21644

Exudates Microaneurysms Cottonwool Textur Homogeneity Blood Vessels

15 0 15 5.996985871 0.974103316 20280

0 15 0 5.932148774 0.983566317 21149

0 103 0 6.142961191 0.979611313 26418

0 18 0 5.908052493 0.990499691 22701

0 52 0 5.912006878 0.989590002 22382

0 10 0 5.93845536 0.979126308 21972

0 80 0 5.897042831 0.991537692 18447

102 48 102 6.12400494 0.987814556 16440

0 129 0 6.02726593 0.983321548 20846

0 0 0 5.925646538 0.97834493 9942

0 67 0 6.079099121 0.982078876 24105

0 66 0 6.013584658 0.965202377 25920

0 29 0 5.929337344 0.96140044 19724

0 63 0 5.99898233 0.985408708 24437

0 14 0 5.985729968 0.988085127 23737

3 61 3 6.182457761 0.957057014 30954

0 20 0 6.006995387 0.988948442 20939

0 8 0 6.049024631 0.977488588 28856

11 8 11 6.026150456 0.981164305 16002

0 0 0 5.913330501 0.983329916 13044

0 108 0 5.903744244 0.973166082 17368

17 68 17 6.101846873 0.986792245 28666

0 76 0 5.923604599 0.96716255 17340

1 12 1 5.992490138 0.975464538 21882

12 0 12 6.066851831 0.97889444 18726

4 0 4 5.841653668 0.987475645 7368

23 23 23 6.062848585 0.984758781 25227

0 130 0 6.168770813 0.984696019 26932

0 9 0 6.031215008 0.986789456 24479

0 0 0 6.086085375 0.986914978 26652

0 79 0 6.022967353 0.991404499 20447

0 0 0 5.971688594 0.989132891 18559

0 0 0 6.066483742 0.984997273 15380

2 0 2 5.952039551 0.990444601 20475

0 0 0 6.029095359 0.97893105 26701

0 29 0 6.086833166 0.95927911 29099

0 119 0 6.042769082 0.980449873 25513

1 43 1 6.116979558 0.982050284 25978

0 138 0 6.078574454 0.96935501 26318

0 0 0 6.122399188 0.977066135 27242

0 16 0 5.977169832 0.985640227 23904

0 26 0 6.136084709 0.965916461 28445

0 0 0 5.990813418 0.982567019 12315

1 78 1 6.051573695 0.983860598 21121

0 62 0 5.859620537 0.97707262 7391

180 90 180 6.024377639 0.984554458 24252

91 47 91 6.022113318 0.97741711 15321

47 49 47 6.128596021 0.977826104 22650


76 0 76 5.829622655 0.977985448 22169

104 9 104 5.956275866 0.97976717 22039

91 57 91 5.973209897 0.983031452 23349

140 38 140 5.982606007 0.981763326 25492

77 0 77 5.950182037 0.983423012 5858

192 65 192 6.029351498 0.974502896 27950

63 200 63 6.036977895 0.978164666 28625

72 43 72 6.045236363 0.986860585 26982

93 0 93 5.924576868 0.984444974 22649

46 85 46 6.047232973 0.990216917 25219

111 318 111 6.064510785 0.983095956 23477

35 624 35 5.99707646 0.974255338 36815

527 127 527 5.930876642 0.977556579 26625

103 105 103 6.03785752 0.98737453 19389

84 173 84 6.035766912 0.980856775 21134

267 201 267 6.073778314 0.975486504 25021

1655 221 1655 6.162628062 0.96981498 34580

516 293 516 5.929206305 0.985888483 29587

558 240 558 6.116050344 0.986588271 19249

1108 256 1108 6.099669271 0.986984713 25354

686 137 686 6.07995529 0.985577466 21474

81 612 81 6.073857037 0.989539793 21602


3 33 20815

67 38 11578

9 64 9568

0 10 17503

0 128 24490

0 99 22973

0 18 19280

5 7 31532

8 33 28879

66 14 21546

541 212 19888

277 77 21760

50 157 20026

801 155 18806

209 88 15278

245 82 12281

0 0 10398

0 0 16905

0 19 13106

0 66 18237

2452 243 15197

960 116 20983

0 35 18058

7 0 408

152 80 4944

130 25 6655

0 0 20386

0 27 20181

44 78 27131

107 23 27237

0 0 24460

0 0 24154

4 187 11413

0 36 20750

0 78 18213

0 77 22700

0 66 24834

15 57 18807

10 9 20244

0 0 15188

0 27 14173

4 0 18164

17 316 29793

19 0 24316

0 61 20451

0 19 19164

0 8 23630

0 34 21439


150 121 19443

490 163 21926

514 364 20576

672 41 21144

16 32 18378

18 69 17320

487 314 16044

1249 108 21820

0 0 20494

0 514 21063

1 452 22937

0 18 13100

0 141 9950

0 13 16436

0 57 14329

129 0 7044

480 133 11514

0 0 19327

0 0 20996

0 0 16446

6 0 20670

240 10 18150

0 0 15202

0 0 15047

175 0 7561

135 70 8112

97 145 14652

15 142 12477

49 158 22851

807 213 25066

25 267 18610


3 33 20815

67 38 11578

9 64 9568

0 10 17503

0 128 24490

0 99 22973

0 18 19280

5 7 31532

8 33 28879

66 14 21546

541 212 19888

277 77 21760

50 157 20026

801 155 18806

209 88 15278

245 82 12281

0 0 10398

0 0 16905

0 19 13106

0 66 18237

2452 243 15197

960 116 20983

0 35 18058

7 0 408

152 80 4944

130 25 6655

0 0 20386

0 27 20181

44 78 27131

107 23 27237

0 0 24460

0 0 24154

4 187 11413

0 36 20750

0 78 18213

0 77 22700

15 57 18807

0 0 15188

0 27 14173

4 0 18164

17 316 29793

19 0 24316

0 61 20451

0 19 19164

0 8 23630

0 34 21439

150 121 19443

490 163 21926


514 364 20576

672 41 21144

18 69 17320

487 314 16044

1249 108 21820

0 0 20494

0 514 21063

1 452 22937

0 13 16436

129 0 7044

480 133 11514

0 0 19327

0 0 20996

0 0 16446

6 0 20670

240 10 18150

0 0 15202

0 0 15047

0 0 19794

0 21 14865

0 0 8200

0 0 20910

0 0 22919

0 0 16340

0 26 18525

189 4 19404

86 11 20266

2 57 20831

0 82 5680

3 9 22719

0 42 18199

5 10 17636

60 61 21456

0 33 16624

57 49 27560

0 15 10300

Nilai Blood VesselsNo Image Name Program Nilai Blood Vessels

1 20051214_40994_0100_PP.tif Severe 18614

2 20051020_45068_0100_PP.tif Severe 18621

3 20051214_40767_0100_PP.tif Severe 18656

4 20051020_64570_0100_PP.tif Severe 18684

5 20051020_61804_0100_PP.tif Severe 18797

6 20051214_41582_0100_PP.tif Severe 18821

7 20051021_40074_0100_PP.tif Severe 18901

8 20051021_39222_0100_PP.tif Severe 18983

9 20051020_44284_0100_PP.tif Severe 19064

10 20051020_61757_0100_PP.tif Severe 19187

11 20051214_41055_0100_PP.tif Severe 19314

12 20051020_44349_0100_PP.tif Severe 19365

13 20051021_39914_0100_PP.tif Severe 19401

14 20051020_44261_0100_PP.tif Severe 19419

15 20051020_55346_0100_PP.tif Severe 19598

16 20051021_36380_0100_PP.tif Severe 19659

17 20051020_64518_0100_PP.tif Severe 19728

18 20051020_45004_0100_PP.tif Severe 19737

19 20051020_44338_0100_PP.tif Severe 19798

20 20051020_62709_0100_PP.tif Severe 20111

21 20051214_40456_0100_PP.tif Severe 20181

22 20051214_41949_0100_PP.tif Severe 20251

23 20051020_44901_0100_PP.tif Severe 20261

24 20051020_45050_0100_PP.tif Severe 20306

25 20051214_40361_0100_PP.tif Severe 20387

26 20051020_63936_0100_PP.tif Severe 20470

27 20051020_44982_0100_PP.tif Severe 20475

28 20051213_62572_0100_PP.tif Severe 20504

29 20051020_64945_0100_PP.tif Severe 20620

30 20051214_41289_0100_PP.tif Severe 20818

31 20051020_55701_0100_PP.tif Severe 20828

32 20051020_44762_0100_PP.tif Severe 20962

33 20051213_62437_0100_PP.tif Severe 20983

34 20051019_38557_0100_PP.tif Severe 20996

35 20051020_44714_0100_PP.tif Severe 21140

36 20051020_62577_0100_PP.tif Severe 21404

37 20051020_64007_0100_PP.tif Severe 21451

38 20051020_64388_0100_PP.tif Severe 21452

39 20051020_64249_0100_PP.tif Severe 21600

40 20051021_51561_0100_PP.tif Severe 21644

41 20051020_44923_0100_PP.tif Severe 21651

42 20051020_63711_0100_PP.tif Severe 21968

43 20051021_36476_0100_PP.tif Severe 22014

44 20051020_43906_0100_PP.tif Severe 22379

45 20051020_54209_0100_PP.tif Severe 22442

46 20051214_41429_0100_PP.tif Severe 22668

47 20051020_62461_0100_PP.tif Severe 22722

48 20051020_56791_0100_PP.tif Severe 22907

49 20051020_57157_0100_PP.tif Severe 23189

50 20051020_43882_0100_PP.tif Severe 23257

51 20051020_62615_0100_PP.tif Severe 23263

52 20051020_63829_0100_PP.tif Severe 23647

53 20051020_58214_0100_PP.tif Severe 23923

54 20051020_53062_0100_PP.tif Severe 23958

55 20051020_62510_0100_PP.tif Severe 24116

56 20051213_61951_0100_PP.tif Severe 24159

57 20051214_41490_0100_PP.tif Severe 24817

58 20051020_57622_0100_PP.tif Severe 25010

59 20051020_53178_0100_PP.tif Severe 26114

60 20051021_40450_0100_PP.tif Severe 26837

61 20051214_40529_0100_PP.tif Severe 27137

62 20051021_40377_0100_PP.tif Severe 27288

63 20051021_39719_0100_PP.tif Severe 27908

64 20051020_45137_0100_PP.tif Severe 31338

65 20051020_45110_0100_PP.tif Severe 32639

No Image Name Program Nilai Blood Vessels

1 20051020_52801_0100_PP.tif Moderate 24563

2 20051020_57566_0100_PP.tif Moderate 24714

3 20051020_58276_0100_PP.tif Moderate 25163

4 20051214_40596_0100_PP.tif Moderate 27229

5 20051021_39661_0100_PP.tif Moderate 27548

6 20051021_39661_0100_PP.tif Moderate 27548


1 20051020_64836_0100_PP.tif Mild 12126

2 20051020_64775_0100_PP.tif Mild 12594

3 20051020_61557_0100_PP.tif Mild 12634

4 20051213_62188_0100_PP.tif Mild 13107

5 20051021_39482_0100_PP.tif Mild 13220

6 20051020_63141_0100_PP.tif Mild 13321

7 20051020_63269_0100_PP.tif Mild 13382

8 20051020_57761_0100_PP.tif Mild 13590

9 20051020_58065_0100_PP.tif Mild 14525

10 20051020_44598_0100_PP.tif Mild 14694

11 20051021_39552_0100_PP.tif Mild 14811

12 20051020_44431_0100_PP.tif Mild 14862

13 20051214_40849_0100_PP.tif Mild 14869

14 20051020_64653_0100_PP.tif Mild 15772

15 20051020_44843_0100_PP.tif Mild 15915

16 20051020_62802_0100_PP.tif Mild 15968

17 20051020_61907_0100_PP.tif Mild 15997

18 20051020_44782_0100_PP.tif Mild 16211

19 20051020_63045_0100_PP.tif Mild 16245

20 20051021_51418_0100_PP.tif Mild 16304

21 20051020_64703_0100_PP.tif Mild 16342

22 20051021_36097_0100_PP.tif Mild 16439

23 20051020_62337_0100_PP.tif Mild 16596

24 20051020_64993_0100_PP.tif Mild 16622

25 20051213_61802_0100_PP.tif Mild 16900

26 20051213_62251_0100_PP.tif Mild 17030

27 20051021_36208_0100_PP.tif Mild 17183

28 20051020_43832_0100_PP.tif Mild 17274

29 20051020_44400_0100_PP.tif Mild 17315

30 20051019_38557_0100_PP.tif Mild 17554

31 20051020_63337_0100_PP.tif Mild 17643

32 20051213_61406_0100_PP.tif Mild 17654

33 20051021_40248_0100_PP.tif Mild 17920

34 20051021_40018_0100_PP.tif Mild 18072

35 20051213_62518_0100_PP.tif Mild 18154

36 20051020_62878_0100_PP.tif Mild 18193

37 20051020_62385_0100_PP.tif Mild 18198

38 20051214_41358_0100_PP.tif Mild 18205

39 20051214_40719_0100_PP.tif Mild 18208

40 20051213_62314_0100_PP.tif Mild 18216

41 20051020_44636_0100_PP.tif Mild 18256

42 20051020_56592_0100_PP.tif Mild 18295

43 20051213_62046_0100_PP.tif MIld 18344

44 20051021_39314_0100_PP.tif Mild 18355

45 20051021_39845_0100_PP.tif Mild 18547


1 20051020_65166_0100_PP.tif Normal 4249

2 20051020_53997_0100_PP.tif Normal 4588

3 20051213_62648_0100_PP.tif Normal 4946

4 20051213_62648_0100_PP.tif Normal 4946

5 20051020_61998_0100_PP.tif Normal 5681

6 20051020_62014_0100_PP.tif Normal 6047

7 20051021_51476_0100_PP.tif Normal 6420

8 20051020_65230_0100_PP.tif Normal 6443

9 20051213_62705_0100_PP.tif Normal 6657

10 20051020_44692_0100_PP.tif Normal 8200

11 20051021_40180_0100_PP.tif Normal 10302

12 20051020_57844_0100_PP.tif Normal 10303

13 20051021_59589_0100_PP.tif Normal 10400

14 20051020_57967_0100_PP.tif Normal 11477

Range Fitur Blood Vessels

Klasifikasi N Mean Median Nilai Minimal Nilai Maximal

Normal 14 7189.93 6431.5 4249 11477

Mild NPDR 45 16259.16 16622 12126 18547

Moderate NPDR 6 26127.5 26196 24563 27548

Severe NPDR 65 21823.72 20983 18614 32639

Nilai Blood VesselsNo Image Name Program Nilai Blood Vessels

1 20051019_38557_0100_PP.tif Severe 20996

2 20051020_43882_0100_PP.tif Severe 23257

3 20051020_43906_0100_PP.tif Severe 22379

4 20051020_44261_0100_PP.tif Severe 19419

5 20051020_44284_0100_PP.tif Severe 19064

6 20051020_44338_0100_PP.tif Severe 19798

7 20051020_44349_0100_PP.tif Severe 19365

8 20051020_44714_0100_PP.tif Severe 21140

9 20051020_44762_0100_PP.tif Severe 20962

10 20051020_44901_0100_PP.tif Severe 20261

11 20051020_44923_0100_PP.tif Severe 21651

12 20051020_44982_0100_PP.tif Severe 20475

13 20051020_45004_0100_PP.tif Severe 19737

14 20051020_45050_0100_PP.tif Severe 20306

15 20051020_45068_0100_PP.tif Severe 18621

16 20051020_45110_0100_PP.tif Severe 32639

17 20051020_45137_0100_PP.tif Severe 31338

18 20051020_53062_0100_PP.tif Severe 23958

19 20051020_53178_0100_PP.tif Severe 26114

20 20051020_54209_0100_PP.tif Severe 22442

21 20051020_55346_0100_PP.tif Severe 19598

22 20051020_55701_0100_PP.tif Severe 20828

23 20051020_56791_0100_PP.tif Severe 22907

24 20051020_57157_0100_PP.tif Severe 23189

25 20051020_57622_0100_PP.tif Severe 25010

26 20051020_58214_0100_PP.tif Severe 23923

27 20051020_61757_0100_PP.tif Severe 19187

28 20051020_61804_0100_PP.tif Severe 18797

29 20051020_62461_0100_PP.tif Severe 22722

30 20051020_62510_0100_PP.tif Severe 24116

31 20051020_62577_0100_PP.tif Severe 21404

32 20051020_62615_0100_PP.tif Severe 23263

33 20051020_62709_0100_PP.tif Severe 20111

34 20051020_63711_0100_PP.tif Severe 21968

35 20051020_63829_0100_PP.tif Severe 23647

36 20051020_63936_0100_PP.tif Severe 20470

37 20051020_64007_0100_PP.tif Severe 21451

38 20051020_64249_0100_PP.tif Severe 21600

39 20051020_64388_0100_PP.tif Severe 21452

40 20051020_64518_0100_PP.tif Severe 19728

41 20051020_64570_0100_PP.tif Severe 18684

42 20051020_64945_0100_PP.tif Severe 20620

43 20051021_36380_0100_PP.tif Severe 19659

44 20051021_36476_0100_PP.tif Severe 22014

45 20051021_39222_0100_PP.tif Severe 18983

46 20051021_39719_0100_PP.tif Severe 27908

47 20051021_39914_0100_PP.tif Severe 19401

48 20051021_40074_0100_PP.tif Severe 18901

49 20051021_40377_0100_PP.tif Severe 27288

50 20051021_40450_0100_PP.tif Severe 26837

51 20051021_51561_0100_PP.tif Severe 21644

52 20051213_61951_0100_PP.tif Severe 24159

53 20051213_62437_0100_PP.tif Severe 20983

54 20051213_62572_0100_PP.tif Severe 20504

55 20051214_40361_0100_PP.tif Severe 20387

56 20051214_40456_0100_PP.tif Severe 20181

57 20051214_40529_0100_PP.tif Severe 27137

58 20051214_40767_0100_PP.tif Severe 18656

59 20051214_40994_0100_PP.tif Severe 18614

60 20051214_41055_0100_PP.tif Severe 19314

61 20051214_41289_0100_PP.tif Severe 20818

62 20051214_41429_0100_PP.tif Severe 22668

63 20051214_41490_0100_PP.tif Severe 24817

64 20051214_41582_0100_PP.tif Severe 18821

65 20051214_41949_0100_PP.tif Severe 20251


1 20051020_52801_0100_PP.tif Moderate 24563

2 20051020_57566_0100_PP.tif Moderate 24714

3 20051020_58276_0100_PP.tif Moderate 25163

4 20051021_39661_0100_PP.tif Moderate 27548

5 20051021_39661_0100_PP.tif Moderate 27548

6 20051214_40596_0100_PP.tif Moderate 27229


1 20051019_38557_0100_PP.tif Mild 17554

2 20051020_43832_0100_PP.tif Mild 17274

3 20051020_44400_0100_PP.tif Mild 17315

4 20051020_44431_0100_PP.tif Mild 14862

5 20051020_44598_0100_PP.tif Mild 14694

6 20051020_44636_0100_PP.tif Mild 18256

7 20051020_44782_0100_PP.tif Mild 16211

8 20051020_44843_0100_PP.tif Mild 15915

9 20051020_56592_0100_PP.tif Mild 18295

10 20051020_57761_0100_PP.tif Mild 13590

11 20051020_58065_0100_PP.tif Mild 14525

12 20051020_61557_0100_PP.tif Mild 12634

13 20051020_61907_0100_PP.tif Mild 15997

14 20051020_62337_0100_PP.tif Mild 16596

15 20051020_62385_0100_PP.tif Mild 18198

16 20051020_62802_0100_PP.tif Mild 15968

17 20051020_62878_0100_PP.tif Mild 18193

18 20051020_63045_0100_PP.tif Mild 16245

19 20051020_63141_0100_PP.tif Mild 13321

20 20051020_63269_0100_PP.tif Mild 13382

21 20051020_63337_0100_PP.tif Mild 17643

22 20051020_64653_0100_PP.tif Mild 15772

23 20051020_64703_0100_PP.tif Mild 16342

24 20051020_64775_0100_PP.tif Mild 12594

25 20051020_64836_0100_PP.tif Mild 12126

26 20051020_64993_0100_PP.tif Mild 16622

27 20051021_36097_0100_PP.tif Mild 16439

28 20051021_36208_0100_PP.tif Mild 17183

29 20051021_39314_0100_PP.tif Mild 18355

30 20051021_39482_0100_PP.tif Mild 13220

31 20051021_39552_0100_PP.tif Mild 14811

32 20051021_39845_0100_PP.tif Mild 18547

33 20051021_40018_0100_PP.tif Mild 18072

34 20051021_40248_0100_PP.tif Mild 17920

35 20051021_51418_0100_PP.tif Mild 16304

36 20051213_61406_0100_PP.tif Mild 17654

37 20051213_61802_0100_PP.tif Mild 16900

38 20051213_62046_0100_PP.tif MIld 18344

39 20051213_62188_0100_PP.tif Mild 13107

40 20051213_62251_0100_PP.tif Mild 17030

41 20051213_62314_0100_PP.tif Mild 18216

42 20051213_62518_0100_PP.tif Mild 18154

43 20051214_40719_0100_PP.tif Mild 18208

44 20051214_40849_0100_PP.tif Mild 14869

45 20051214_41358_0100_PP.tif Mild 18205


1 20051020_44692_0100_PP.tif Normal 8200

2 20051020_53997_0100_PP.tif Normal 4588

3 20051020_57844_0100_PP.tif Normal 10303

4 20051020_57967_0100_PP.tif Normal 11477

5 20051020_61998_0100_PP.tif Normal 5681

6 20051020_62014_0100_PP.tif Normal 6047

7 20051020_65166_0100_PP.tif Normal 4249

8 20051020_65230_0100_PP.tif Normal 6443

9 20051021_40180_0100_PP.tif Normal 10302

10 20051021_51476_0100_PP.tif Normal 6420

11 20051021_59589_0100_PP.tif Normal 10400

12 20051213_62648_0100_PP.tif Normal 4946

13 20051213_62705_0100_PP.tif Normal 6657

14 20051213_62648_0100_PP.tif Normal 4946

Nilai ExudatesNo Image Name Program Nilai Exudates

1 20051019_38557_0100_PP.tif Severe 0

2 20051020_43882_0100_PP.tif Severe 0

3 20051020_43906_0100_PP.tif Severe 0

4 20051020_44338_0100_PP.tif Severe 0

5 20051020_44349_0100_PP.tif Severe 0

6 20051020_44714_0100_PP.tif Severe 0

7 20051020_44762_0100_PP.tif Severe 0

8 20051020_44982_0100_PP.tif Severe 0

9 20051020_45004_0100_PP.tif Severe 0

10 20051020_56791_0100_PP.tif Severe 0

11 20051020_57157_0100_PP.tif Severe 0

12 20051020_61804_0100_PP.tif Severe 0

13 20051020_62510_0100_PP.tif Severe 0

14 20051020_62577_0100_PP.tif Severe 0

15 20051020_62615_0100_PP.tif Severe 0

16 20051020_63711_0100_PP.tif Severe 0

17 20051020_63829_0100_PP.tif Severe 0

18 20051020_64249_0100_PP.tif Severe 0

19 20051020_64388_0100_PP.tif Severe 0

20 20051020_64518_0100_PP.tif Severe 0

21 20051020_64945_0100_PP.tif Severe 0

22 20051021_36380_0100_PP.tif Severe 0

23 20051021_40074_0100_PP.tif Severe 0

24 20051021_51561_0100_PP.tif Severe 0

25 20051213_61951_0100_PP.tif Severe 0

26 20051214_40361_0100_PP.tif Severe 0

27 20051214_40456_0100_PP.tif Severe 0

28 20051214_40767_0100_PP.tif Severe 0

29 20051214_41289_0100_PP.tif Severe 0

30 20051214_41429_0100_PP.tif Severe 0

31 20051214_41490_0100_PP.tif Severe 0

32 20051020_55701_0100_PP.tif Severe 2

33 20051020_61757_0100_PP.tif Severe 2

34 20051020_62461_0100_PP.tif Severe 3

35 20051021_36476_0100_PP.tif Severe 6

36 20051021_40450_0100_PP.tif Severe 7

37 20051213_62572_0100_PP.tif Severe 7

38 20051214_41055_0100_PP.tif Severe 7

39 20051214_41949_0100_PP.tif Severe 10

40 20051214_41582_0100_PP.tif Severe 15

41 20051214_40994_0100_PP.tif Severe 34

42 20051020_45110_0100_PP.tif Severe 37

43 20051214_40529_0100_PP.tif Severe 44

44 20051020_64570_0100_PP.tif Severe 52

45 20051020_64007_0100_PP.tif Severe 60

46 20051020_58214_0100_PP.tif Severe 71

47 20051020_44261_0100_PP.tif Severe 77

48 20051021_40377_0100_PP.tif Severe 83

49 20051020_44901_0100_PP.tif Severe 86

50 20051020_57622_0100_PP.tif Severe 89

51 20051020_45068_0100_PP.tif Severe 100

52 20051020_63936_0100_PP.tif Severe 100

53 20051020_44284_0100_PP.tif Severe 106

54 20051021_39719_0100_PP.tif Severe 130

55 20051020_44923_0100_PP.tif Severe 139

56 20051021_39914_0100_PP.tif Severe 189

57 20051020_62709_0100_PP.tif Severe 197

58 20051020_45050_0100_PP.tif Severe 262

59 20051020_53062_0100_PP.tif Severe 490

60 20051020_53178_0100_PP.tif Severe 494

61 20051020_55346_0100_PP.tif Severe 688

62 20051021_39222_0100_PP.tif Severe 903

63 20051213_62437_0100_PP.tif Severe 966

64 20051020_54209_0100_PP.tif Severe 1168

65 20051020_45137_0100_PP.tif Severe 1452

No Image Name Program Nilai Exudates

1 20051020_52801_0100_PP.tif Moderate 0

2 20051021_39661_0100_PP.tif Moderate 0

3 20051020_58276_0100_PP.tif Moderate 7

4 20051021_39661_0100_PP.tif Moderate 57

5 20051214_40596_0100_PP.tif Moderate 107

6 20051020_57566_0100_PP.tif Moderate 205


1 20051020_43832_0100_PP.tif Mild 0

2 20051020_44400_0100_PP.tif Mild 0

3 20051020_44431_0100_PP.tif Mild 0

4 20051020_44636_0100_PP.tif Mild 0

5 20051020_44782_0100_PP.tif Mild 0

6 20051020_56592_0100_PP.tif Mild 0

7 20051020_62878_0100_PP.tif Mild 0

8 20051020_63045_0100_PP.tif Mild 0

9 20051020_63269_0100_PP.tif Mild 0

10 20051020_64703_0100_PP.tif Mild 0

11 20051020_64993_0100_PP.tif Mild 0

12 20051021_36208_0100_PP.tif Mild 0

13 20051021_39482_0100_PP.tif Mild 0

14 20051021_39552_0100_PP.tif Mild 0

15 20051021_39845_0100_PP.tif Mild 0

16 20051021_40018_0100_PP.tif Mild 0

17 20051021_40248_0100_PP.tif Mild 0

18 20051021_51418_0100_PP.tif Mild 0

19 20051213_61802_0100_PP.tif Mild 0

20 20051213_62046_0100_PP.tif MIld 0

21 20051213_62188_0100_PP.tif Mild 0

22 20051213_62314_0100_PP.tif Mild 0

23 20051213_62518_0100_PP.tif Mild 0

24 20051214_40719_0100_PP.tif Mild 0

25 20051214_40849_0100_PP.tif Mild 0

26 20051214_41358_0100_PP.tif Mild 0

27 20051020_58065_0100_PP.tif Mild 5

28 20051020_63337_0100_PP.tif Mild 5

29 20051020_61907_0100_PP.tif Mild 7

30 20051020_61557_0100_PP.tif Mild 9

31 20051020_57761_0100_PP.tif Mild 11

32 20051213_62251_0100_PP.tif Mild 11

33 20051019_38557_0100_PP.tif Mild 12

34 20051021_36097_0100_PP.tif Mild 14

35 20051020_64653_0100_PP.tif Mild 58

36 20051020_62802_0100_PP.tif Mild 65

37 20051020_62385_0100_PP.tif Mild 80

38 20051020_64836_0100_PP.tif Mild 83

39 20051020_44598_0100_PP.tif Mild 91

40 20051020_62337_0100_PP.tif Mild 95

41 20051020_63141_0100_PP.tif Mild 101

42 20051213_61406_0100_PP.tif Mild 103

43 20051021_39314_0100_PP.tif Mild 126

44 20051020_64775_0100_PP.tif Mild 393

45 20051020_44843_0100_PP.tif Mild 530


1 20051020_44692_0100_PP.tif Normal 0

2 20051020_57967_0100_PP.tif Normal 0

3 20051020_61998_0100_PP.tif Normal 0

4 20051020_62014_0100_PP.tif Normal 0

5 20051020_65166_0100_PP.tif Normal 0

6 20051020_65230_0100_PP.tif Normal 0

7 20051021_40180_0100_PP.tif Normal 0

8 20051021_59589_0100_PP.tif Normal 0

9 20051020_57844_0100_PP.tif Normal 2

10 20051213_62648_0100_PP.tif Normal 4

11 20051021_51476_0100_PP.tif Normal 48

12 20051020_53997_0100_PP.tif Normal 67

13 20051213_62705_0100_PP.tif Normal 132

14 20051213_62648_0100_PP.tif Normal 153

Range Fitur Exudates


Normal 14 29 48 0 153

Mild NPDR 45 39.98 72.5 0 530

Moderate NPDR 6 62.67 57 0 205

Severe NPDR 65 124.25 86 0 1452

Nilai ExudatesNo Image Name Program Nilai Exudates

1 20051019_38557_0100_PP.tif Severe 0

2 20051020_43882_0100_PP.tif Severe 0

3 20051020_43906_0100_PP.tif Severe 0

4 20051020_44261_0100_PP.tif Severe 77

5 20051020_44284_0100_PP.tif Severe 106

6 20051020_44338_0100_PP.tif Severe 0

7 20051020_44349_0100_PP.tif Severe 0

8 20051020_44714_0100_PP.tif Severe 0

9 20051020_44762_0100_PP.tif Severe 0

10 20051020_44901_0100_PP.tif Severe 86

11 20051020_44923_0100_PP.tif Severe 139

12 20051020_44982_0100_PP.tif Severe 0

13 20051020_45004_0100_PP.tif Severe 0

14 20051020_45050_0100_PP.tif Severe 262

15 20051020_45068_0100_PP.tif Severe 100

16 20051020_45110_0100_PP.tif Severe 37

17 20051020_45137_0100_PP.tif Severe 1452

18 20051020_53062_0100_PP.tif Severe 490

19 20051020_53178_0100_PP.tif Severe 494

20 20051020_54209_0100_PP.tif Severe 1168

21 20051020_55346_0100_PP.tif Severe 688

22 20051020_55701_0100_PP.tif Severe 2

23 20051020_56791_0100_PP.tif Severe 0

24 20051020_57157_0100_PP.tif Severe 0

25 20051020_57622_0100_PP.tif Severe 89

26 20051020_58214_0100_PP.tif Severe 71

27 20051020_61757_0100_PP.tif Severe 2

28 20051020_61804_0100_PP.tif Severe 0

29 20051020_62461_0100_PP.tif Severe 3

30 20051020_62510_0100_PP.tif Severe 0

31 20051020_62577_0100_PP.tif Severe 0

32 20051020_62615_0100_PP.tif Severe 0

33 20051020_62709_0100_PP.tif Severe 197

34 20051020_63711_0100_PP.tif Severe 0

35 20051020_63829_0100_PP.tif Severe 0

36 20051020_63936_0100_PP.tif Severe 100

37 20051020_64007_0100_PP.tif Severe 60

38 20051020_64249_0100_PP.tif Severe 0

39 20051020_64388_0100_PP.tif Severe 0

40 20051020_64518_0100_PP.tif Severe 0

41 20051020_64570_0100_PP.tif Severe 52

42 20051020_64945_0100_PP.tif Severe 0

43 20051021_36380_0100_PP.tif Severe 0

44 20051021_36476_0100_PP.tif Severe 6

45 20051021_39222_0100_PP.tif Severe 903

46 20051021_39719_0100_PP.tif Severe 130

47 20051021_39914_0100_PP.tif Severe 189

48 20051021_40074_0100_PP.tif Severe 0

49 20051021_40377_0100_PP.tif Severe 83

50 20051021_40450_0100_PP.tif Severe 7

51 20051021_51561_0100_PP.tif Severe 0

52 20051213_61951_0100_PP.tif Severe 0

53 20051213_62437_0100_PP.tif Severe 966

54 20051213_62572_0100_PP.tif Severe 7

55 20051214_40361_0100_PP.tif Severe 0

56 20051214_40456_0100_PP.tif Severe 0

57 20051214_40529_0100_PP.tif Severe 44

58 20051214_40767_0100_PP.tif Severe 0

59 20051214_40994_0100_PP.tif Severe 34

60 20051214_41055_0100_PP.tif Severe 7

61 20051214_41289_0100_PP.tif Severe 0

62 20051214_41429_0100_PP.tif Severe 0

63 20051214_41490_0100_PP.tif Severe 0

64 20051214_41582_0100_PP.tif Severe 15

65 20051214_41949_0100_PP.tif Severe 10


1 20051020_52801_0100_PP.tif Moderate 0

2 20051020_57566_0100_PP.tif Moderate 205

3 20051020_58276_0100_PP.tif Moderate 7

4 20051021_39661_0100_PP.tif Moderate 57

5 20051021_39661_0100_PP.tif Moderate 0

6 20051214_40596_0100_PP.tif Moderate 107


1 20051019_38557_0100_PP.tif Mild 12

2 20051020_43832_0100_PP.tif Mild 0

3 20051020_44400_0100_PP.tif Mild 0

4 20051020_44431_0100_PP.tif Mild 0

5 20051020_44598_0100_PP.tif Mild 91

6 20051020_44636_0100_PP.tif Mild 0

7 20051020_44782_0100_PP.tif Mild 0

8 20051020_44843_0100_PP.tif Mild 530

9 20051020_56592_0100_PP.tif Mild 0

10 20051020_57761_0100_PP.tif Mild 11

11 20051020_58065_0100_PP.tif Mild 5

12 20051020_61557_0100_PP.tif Mild 9

13 20051020_61907_0100_PP.tif Mild 7

14 20051020_62337_0100_PP.tif Mild 95

15 20051020_62385_0100_PP.tif Mild 80

16 20051020_62802_0100_PP.tif Mild 65

17 20051020_62878_0100_PP.tif Mild 0

18 20051020_63045_0100_PP.tif Mild 0

19 20051020_63141_0100_PP.tif Mild 101

20 20051020_63269_0100_PP.tif Mild 0

21 20051020_63337_0100_PP.tif Mild 5

22 20051020_64653_0100_PP.tif Mild 58

23 20051020_64703_0100_PP.tif Mild 0

24 20051020_64775_0100_PP.tif Mild 393

25 20051020_64836_0100_PP.tif Mild 83

26 20051020_64993_0100_PP.tif Mild 0

27 20051021_36097_0100_PP.tif Mild 14

28 20051021_36208_0100_PP.tif Mild 0

29 20051021_39314_0100_PP.tif Mild 126

30 20051021_39482_0100_PP.tif Mild 0

31 20051021_39552_0100_PP.tif Mild 0

32 20051021_39845_0100_PP.tif Mild 0

33 20051021_40018_0100_PP.tif Mild 0

34 20051021_40248_0100_PP.tif Mild 0

35 20051021_51418_0100_PP.tif Mild 0

36 20051213_61406_0100_PP.tif Mild 103

37 20051213_61802_0100_PP.tif Mild 0

38 20051213_62046_0100_PP.tif MIld 0

39 20051213_62188_0100_PP.tif Mild 0

40 20051213_62251_0100_PP.tif Mild 11

41 20051213_62314_0100_PP.tif Mild 0

42 20051213_62518_0100_PP.tif Mild 0

43 20051214_40719_0100_PP.tif Mild 0

44 20051214_40849_0100_PP.tif Mild 0

45 20051214_41358_0100_PP.tif Mild 0


1 20051020_44692_0100_PP.tif Normal 0

2 20051020_53997_0100_PP.tif Normal 67

3 20051020_57844_0100_PP.tif Normal 2

4 20051020_57967_0100_PP.tif Normal 0

5 20051020_61998_0100_PP.tif Normal 0

6 20051020_62014_0100_PP.tif Normal 0

7 20051020_65166_0100_PP.tif Normal 0

8 20051020_65230_0100_PP.tif Normal 0

9 20051021_40180_0100_PP.tif Normal 0

10 20051021_51476_0100_PP.tif Normal 48

11 20051021_59589_0100_PP.tif Normal 0

12 20051213_62648_0100_PP.tif Normal 153

13 20051213_62705_0100_PP.tif Normal 132

14 20051213_62648_0100_PP.tif Normal 4

Nilai MicroaneurysmsNo Image Name Program Nilai Microaneurysms

1 20051213_61951_0100_PP.tif Severe 0

2 20051214_40361_0100_PP.tif Severe 0

3 20051214_40456_0100_PP.tif Severe 0

4 20051214_40767_0100_PP.tif Severe 0

5 20051214_41289_0100_PP.tif Severe 0

6 20051214_41429_0100_PP.tif Severe 0

7 20051214_41490_0100_PP.tif Severe 0

8 20051213_62572_0100_PP.tif Severe 7

9 20051214_41055_0100_PP.tif Severe 7

10 20051214_41949_0100_PP.tif Severe 10

11 20051020_44762_0100_PP.tif Severe 15

12 20051020_44901_0100_PP.tif Severe 15

13 20051214_41582_0100_PP.tif Severe 15

14 20051020_44338_0100_PP.tif Severe 22

15 20051020_62577_0100_PP.tif Severe 24

16 20051020_57157_0100_PP.tif Severe 25

17 20051020_56791_0100_PP.tif Severe 27

18 20051021_36380_0100_PP.tif Severe 30

19 20051020_63711_0100_PP.tif Severe 34

20 20051214_40994_0100_PP.tif Severe 34

21 20051020_45004_0100_PP.tif Severe 36

22 20051020_64249_0100_PP.tif Severe 40

23 20051020_63936_0100_PP.tif Severe 43

24 20051214_40529_0100_PP.tif Severe 44

25 20051020_64945_0100_PP.tif Severe 45

26 20051020_43882_0100_PP.tif Severe 46

27 20051020_63829_0100_PP.tif Severe 49

28 20051021_39222_0100_PP.tif Severe 50

29 20051021_39914_0100_PP.tif Severe 50

30 20051020_62461_0100_PP.tif Severe 53

31 20051020_43906_0100_PP.tif Severe 55

32 20051020_44284_0100_PP.tif Severe 55

33 20051020_55701_0100_PP.tif Severe 55

34 20051020_44982_0100_PP.tif Severe 58

35 20051021_51561_0100_PP.tif Severe 65

36 20051020_58214_0100_PP.tif Severe 68

37 20051020_64518_0100_PP.tif Severe 72

38 20051021_40074_0100_PP.tif Severe 72

39 20051021_36476_0100_PP.tif Severe 74

40 20051020_44261_0100_PP.tif Severe 83

41 20051020_44923_0100_PP.tif Severe 85

42 20051020_64570_0100_PP.tif Severe 86

43 20051020_62615_0100_PP.tif Severe 89

44 20051020_44714_0100_PP.tif Severe 99

45 20051020_61804_0100_PP.tif Severe 99

46 20051020_44349_0100_PP.tif Severe 104

47 20051020_64388_0100_PP.tif Severe 109

48 20051021_39719_0100_PP.tif Severe 113

49 20051020_53062_0100_PP.tif Severe 118

50 20051019_38557_0100_PP.tif Severe 126

51 20051020_53178_0100_PP.tif Severe 131

52 20051020_64007_0100_PP.tif Severe 139

53 20051020_45050_0100_PP.tif Severe 149

54 20051020_62510_0100_PP.tif Severe 150

55 20051020_61757_0100_PP.tif Severe 162

56 20051020_54209_0100_PP.tif Severe 173

57 20051020_57622_0100_PP.tif Severe 214

58 20051021_40377_0100_PP.tif Severe 215

59 20051020_55346_0100_PP.tif Severe 218

60 20051020_62709_0100_PP.tif Severe 239

61 20051020_45068_0100_PP.tif Severe 262

62 20051020_45137_0100_PP.tif Severe 267

63 20051021_40450_0100_PP.tif Severe 279

64 20051020_45110_0100_PP.tif Severe 606

65 20051213_62437_0100_PP.tif Severe 966

No Image Name Program Nilai Microaneurysms

1 20051021_39661_0100_PP.tif Moderate 0

2 20051021_39661_0100_PP.tif Moderate 31

3 20051020_57566_0100_PP.tif Moderate 53

4 20051214_40596_0100_PP.tif Moderate 107

5 20051020_58276_0100_PP.tif Moderate 111

6 20051020_52801_0100_PP.tif Moderate 122


1 20051213_61802_0100_PP.tif Mild 0

2 20051213_62046_0100_PP.tif MIld 0

3 20051213_62188_0100_PP.tif Mild 0

4 20051213_62314_0100_PP.tif Mild 0

5 20051213_62518_0100_PP.tif Mild 0

6 20051214_40719_0100_PP.tif Mild 0

7 20051214_40849_0100_PP.tif Mild 0

8 20051214_41358_0100_PP.tif Mild 0

9 20051020_64775_0100_PP.tif Mild 11

10 20051213_62251_0100_PP.tif Mild 11

11 20051020_63045_0100_PP.tif Mild 14

12 20051021_40018_0100_PP.tif Mild 14

13 20051020_63269_0100_PP.tif Mild 15

14 20051020_64836_0100_PP.tif Mild 19

15 20051020_64653_0100_PP.tif Mild 22

16 20051020_58065_0100_PP.tif Mild 23

17 20051020_44431_0100_PP.tif Mild 26

18 20051020_44782_0100_PP.tif Mild 33

19 20051020_44598_0100_PP.tif Mild 35

20 20051021_51418_0100_PP.tif Mild 36

21 20051020_44400_0100_PP.tif Mild 37

22 20051020_63141_0100_PP.tif Mild 40

23 20051020_63337_0100_PP.tif Mild 41

24 20051019_38557_0100_PP.tif Mild 53

25 20051021_40248_0100_PP.tif Mild 55

26 20051020_43832_0100_PP.tif Mild 57

27 20051020_62878_0100_PP.tif Mild 65

28 20051020_64703_0100_PP.tif Mild 71

29 20051020_64993_0100_PP.tif Mild 77

30 20051021_39314_0100_PP.tif Mild 81

31 20051020_44636_0100_PP.tif Mild 82

32 20051020_57761_0100_PP.tif Mild 82

33 20051021_39845_0100_PP.tif Mild 86

34 20051020_56592_0100_PP.tif Mild 89

35 20051213_61406_0100_PP.tif Mild 103

36 20051020_62337_0100_PP.tif Mild 104

37 20051021_39482_0100_PP.tif Mild 109

38 20051021_39552_0100_PP.tif Mild 117

39 20051020_62802_0100_PP.tif Mild 156

40 20051021_36097_0100_PP.tif Mild 166

41 20051021_36208_0100_PP.tif Mild 175

42 20051020_61557_0100_PP.tif Mild 178

43 20051020_62385_0100_PP.tif Mild 200

44 20051020_61907_0100_PP.tif Mild 204

45 20051020_44843_0100_PP.tif Mild 276


1 20051020_65166_0100_PP.tif Normal 0

2 20051213_62648_0100_PP.tif Normal 4

3 20051020_61998_0100_PP.tif Normal 7

4 20051020_57967_0100_PP.tif Normal 18

5 20051020_44692_0100_PP.tif Normal 30

6 20051021_59589_0100_PP.tif Normal 31

7 20051020_65230_0100_PP.tif Normal 40

8 20051020_62014_0100_PP.tif Normal 45

9 20051020_53997_0100_PP.tif Normal 47

10 20051021_40180_0100_PP.tif Normal 56

11 20051020_57844_0100_PP.tif Normal 79

12 20051021_51476_0100_PP.tif Normal 94

13 20051213_62705_0100_PP.tif Normal 132

14 20051213_62648_0100_PP.tif Normal 153

Range Fitur Microaneurysms


Normal 14 52.57 42.5 0 153

Mild NPDR 45 65.84 68 0 276


Severe NPDR 65 101.17 78.5 0 966

Nilai MicroaneurysmsNo Image Name Program Nilai Microaneurysms

1 20051019_38557_0100_PP.tif Severe 126

2 20051020_43882_0100_PP.tif Severe 46

3 20051020_43906_0100_PP.tif Severe 55

4 20051020_44261_0100_PP.tif Severe 83

5 20051020_44284_0100_PP.tif Severe 55

6 20051020_44338_0100_PP.tif Severe 22

7 20051020_44349_0100_PP.tif Severe 104

8 20051020_44714_0100_PP.tif Severe 99

9 20051020_44762_0100_PP.tif Severe 15

10 20051020_44901_0100_PP.tif Severe 15

11 20051020_44923_0100_PP.tif Severe 85

12 20051020_44982_0100_PP.tif Severe 58

13 20051020_45004_0100_PP.tif Severe 36

14 20051020_45050_0100_PP.tif Severe 149

15 20051020_45068_0100_PP.tif Severe 262

16 20051020_45110_0100_PP.tif Severe 606

17 20051020_45137_0100_PP.tif Severe 267

18 20051020_53062_0100_PP.tif Severe 118

19 20051020_53178_0100_PP.tif Severe 131

20 20051020_54209_0100_PP.tif Severe 173

21 20051020_55346_0100_PP.tif Severe 218

22 20051020_55701_0100_PP.tif Severe 55

23 20051020_56791_0100_PP.tif Severe 27

24 20051020_57157_0100_PP.tif Severe 25

25 20051020_57622_0100_PP.tif Severe 214

26 20051020_58214_0100_PP.tif Severe 68

27 20051020_61757_0100_PP.tif Severe 162

28 20051020_61804_0100_PP.tif Severe 99

29 20051020_62461_0100_PP.tif Severe 53

30 20051020_62510_0100_PP.tif Severe 150

31 20051020_62577_0100_PP.tif Severe 24

32 20051020_62615_0100_PP.tif Severe 89

33 20051020_62709_0100_PP.tif Severe 239

34 20051020_63711_0100_PP.tif Severe 34

35 20051020_63829_0100_PP.tif Severe 49

36 20051020_63936_0100_PP.tif Severe 43

37 20051020_64007_0100_PP.tif Severe 139

38 20051020_64249_0100_PP.tif Severe 40

39 20051020_64388_0100_PP.tif Severe 109

40 20051020_64518_0100_PP.tif Severe 72

41 20051020_64570_0100_PP.tif Severe 86

42 20051020_64945_0100_PP.tif Severe 45

43 20051021_36380_0100_PP.tif Severe 30

44 20051021_36476_0100_PP.tif Severe 74

45 20051021_39222_0100_PP.tif Severe 50

46 20051021_39719_0100_PP.tif Severe 113

47 20051021_39914_0100_PP.tif Severe 50

48 20051021_40074_0100_PP.tif Severe 72

49 20051021_40377_0100_PP.tif Severe 215

50 20051021_40450_0100_PP.tif Severe 279

51 20051021_51561_0100_PP.tif Severe 65

52 20051213_61951_0100_PP.tif Severe 0

53 20051213_62437_0100_PP.tif Severe 966

54 20051213_62572_0100_PP.tif Severe 7

55 20051214_40361_0100_PP.tif Severe 0

56 20051214_40456_0100_PP.tif Severe 0

57 20051214_40529_0100_PP.tif Severe 44

58 20051214_40767_0100_PP.tif Severe 0

59 20051214_40994_0100_PP.tif Severe 34

60 20051214_41055_0100_PP.tif Severe 7

61 20051214_41289_0100_PP.tif Severe 0

62 20051214_41429_0100_PP.tif Severe 0

63 20051214_41490_0100_PP.tif Severe 0

64 20051214_41582_0100_PP.tif Severe 15

65 20051214_41949_0100_PP.tif Severe 10


1 20051020_52801_0100_PP.tif Moderate 122

2 20051020_57566_0100_PP.tif Moderate 53

3 20051020_58276_0100_PP.tif Moderate 111

4 20051021_39661_0100_PP.tif Moderate 31

5 20051021_39661_0100_PP.tif Moderate 0

6 20051214_40596_0100_PP.tif Moderate 107


1 20051019_38557_0100_PP.tif Mild 53

2 20051020_43832_0100_PP.tif Mild 57

3 20051020_44400_0100_PP.tif Mild 37

4 20051020_44431_0100_PP.tif Mild 26

5 20051020_44598_0100_PP.tif Mild 35

6 20051020_44636_0100_PP.tif Mild 82

7 20051020_44782_0100_PP.tif Mild 33

8 20051020_44843_0100_PP.tif Mild 276

9 20051020_56592_0100_PP.tif Mild 89

10 20051020_57761_0100_PP.tif Mild 82

11 20051020_58065_0100_PP.tif Mild 23

12 20051020_61557_0100_PP.tif Mild 178

13 20051020_61907_0100_PP.tif Mild 204

14 20051020_62337_0100_PP.tif Mild 104

15 20051020_62385_0100_PP.tif Mild 200

16 20051020_62802_0100_PP.tif Mild 156

17 20051020_62878_0100_PP.tif Mild 65

18 20051020_63045_0100_PP.tif Mild 14

19 20051020_63141_0100_PP.tif Mild 40

20 20051020_63269_0100_PP.tif Mild 15

21 20051020_63337_0100_PP.tif Mild 41

22 20051020_64653_0100_PP.tif Mild 22

23 20051020_64703_0100_PP.tif Mild 71

24 20051020_64775_0100_PP.tif Mild 11

25 20051020_64836_0100_PP.tif Mild 19

26 20051020_64993_0100_PP.tif Mild 77

27 20051021_36097_0100_PP.tif Mild 166

28 20051021_36208_0100_PP.tif Mild 175

29 20051021_39314_0100_PP.tif Mild 81

30 20051021_39482_0100_PP.tif Mild 109

31 20051021_39552_0100_PP.tif Mild 117

32 20051021_39845_0100_PP.tif Mild 86

33 20051021_40018_0100_PP.tif Mild 14

34 20051021_40248_0100_PP.tif Mild 55

35 20051021_51418_0100_PP.tif Mild 36

36 20051213_61406_0100_PP.tif Mild 103

37 20051213_61802_0100_PP.tif Mild 0

38 20051213_62046_0100_PP.tif MIld 0

39 20051213_62188_0100_PP.tif Mild 0

40 20051213_62251_0100_PP.tif Mild 11

41 20051213_62314_0100_PP.tif Mild 0

42 20051213_62518_0100_PP.tif Mild 0

43 20051214_40719_0100_PP.tif Mild 0

44 20051214_40849_0100_PP.tif Mild 0

45 20051214_41358_0100_PP.tif Mild 0


1 20051020_44692_0100_PP.tif Normal 30

2 20051020_53997_0100_PP.tif Normal 47

3 20051020_57844_0100_PP.tif Normal 79

4 20051020_57967_0100_PP.tif Normal 18

5 20051020_61998_0100_PP.tif Normal 7

6 20051020_62014_0100_PP.tif Normal 45

7 20051020_65166_0100_PP.tif Normal 0

8 20051020_65230_0100_PP.tif Normal 40

9 20051021_40180_0100_PP.tif Normal 56

10 20051021_51476_0100_PP.tif Normal 94

11 20051021_59589_0100_PP.tif Normal 31

12 20051213_62648_0100_PP.tif Normal 153

13 20051213_62705_0100_PP.tif Normal 132

14 20051213_62648_0100_PP.tif Normal 4

Range Fitur Blood Vessels


Normal 14 7189.93 6431.5 4249 11477

Mild NPDR 45 16259.16 16622 12126 18547

Moderate NPDR 6 26127.5 26196 24563 27548

Severe NPDR 65 21823.72 20983 18614 32639

TOTAL 130

11477

18547

27548

32639

4249

12126

24563

18614

6431.5

16622

26196

20983

0

5000

10000

15000

20000

25000

30000

35000


Range Fitur Exudates


Normal 14 29 48 0 153

Mild NPDR 45 39.98 72.5 0 530


Severe NPDR 65 124.25 86 0 1452

153

530

205

1452

0 0 0 048 72.5 57 86

0

200

400

600

800

1000

1200

1400

1600


Range Fitur Microaneurysms


Normal 14 52.57 42.5 0 153

Mild NPDR 45 65.84 68 0 276


Severe NPDR 65 101.17 78.5 0 966

153

276

122

966

0 0 0 0

42.5 68 80 78.5

0

200

400

600

800

1000

1200


No Sampel Image Name Manual Program Hasil Perbandingan Image Image K-Means Exudate Micro


2 20051213_61406_0100_PP.tif Moderate Mild Tidak Cocok






22 20051214_40912_0100_PP.tif Severe Normal Tidak Cocok







29 20051214_41582_0100_PP.tif Moderate Severe Tidak Cocok


Total Keberhasilan =90%

Gagal=10%

No Sampel Image Name Manual Program Hasil Perbandingan Image Image K-Means Exudate Micro










Total Keberhasilan = 100%

Gagal=0%

No Sampel Image Name Manual Program Nilai Blood Vessels Nilai Exudates Nilai Microaneurysms

1 20051021_59589_0100_PP.tif Normal Normal 10400 0 31

2 20051213_61406_0100_PP.tif Moderate Mild 17654 103 19

3 20051213_61802_0100_PP.tif Mild Mild 16900 0 11

4 20051213_61892_0100_PP.tif Moderate Moderate 24516 0 50

5 20051213_61951_0100_PP.tif Severe Severe 24159 0 129

6 20051213_62046_0100_PP.tif Mild MIld 18344 0 40

7 20051213_62188_0100_PP.tif Mild Mild 13107 0 41

8 20051213_62251_0100_PP.tif Mild Mild 17030 11 97

9 20051213_62314_0100_PP.tif Mild Mild 18216 0 185


11 20051213_62518_0100_PP.tif Mild Mild 18154 0 16








19 20051214_40719_0100_PP.tif Mild Mild 18208 0 8


21 20051214_40849_0100_PP.tif Mild Mild 14869 0 40

22 20051214_40912_0100_PP.tif Severe Normal 11412 4 138




26 20051214_41358_0100_PP.tif Mild Mild 18205 0 108



29 20051214_41582_0100_PP.tif Moderate Severe 18821 15 63


No Sampel Image Name Manual Program Nilai Blood Vessels Nilai Exudates Nilai Microaneurysms


2 20051019_38557_0100_PP.tif Mild Mild 17554 12 53

3 20051020_43832_0100_PP.tif Mild Mild 17274 0 57







10 20051020_44400_0100_PP.tif Mild Mild 17315 0 37

11 20051020_44431_0100_PP.tif Mild Mild 14862 0 26

12 20051020_44598_0100_PP.tif Mild Mild 14694 91 35

13 20051020_44636_0100_PP.tif Mild Mild 18256 0 82




17 20051020_44782_0100_PP.tif Mild Mild 16211 0 33

18 20051020_44843_0100_PP.tif Mild Mild 15915 530 276
















34 20051020_56592_0100_PP.tif Mild Mild 18295 0 89





39 20051020_57761_0100_PP.tif Mild Mild 13590 11 82



42 20051020_58065_0100_PP.tif Mild Mild 14525 5 23



45 20051020_61557_0100_PP.tif Mild Mild 12634 9 178



48 20051020_61907_0100_PP.tif Mild Mild 15997 7 204



51 20051020_62337_0100_PP.tif Mild Mild 16596 95 104

52 20051020_62385_0100_PP.tif Mild Mild 18198 80 200






58 20051020_62802_0100_PP.tif Mild Mild 15968 65 156

59 20051020_62878_0100_PP.tif Mild Mild 18193 0 65

60 20051020_63045_0100_PP.tif Mild Mild 16245 0 14

61 20051020_63141_0100_PP.tif Mild Mild 13321 101 40

62 20051020_63269_0100_PP.tif Mild Mild 13382 0 15

63 20051020_63337_0100_PP.tif Mild Mild 17643 5 41









72 20051020_64653_0100_PP.tif Mild Mild 15772 58 22

73 20051020_64703_0100_PP.tif Mild Mild 16342 0 71

74 20051020_64775_0100_PP.tif Mild Mild 12594 393 11

75 20051020_64836_0100_PP.tif Mild Mild 12126 83 19


77 20051020_64993_0100_PP.tif Mild Mild 16622 0 77



80 20051021_36097_0100_PP.tif Mild Mild 16439 14 166

81 20051021_36208_0100_PP.tif Mild Mild 17183 0 175




85 20051021_39314_0100_PP.tif Mild Mild 18355 126 81

86 20051021_39482_0100_PP.tif Mild Mild 13220 0 109

87 20051021_39552_0100_PP.tif Mild Mild 14811 0 117



90 20051021_39845_0100_PP.tif Mild Mild 18547 0 86


92 20051021_40018_0100_PP.tif Mild Mild 18072 0 14



95 20051021_40248_0100_PP.tif Mild Mild 17920 0 55



98 20051021_51418_0100_PP.tif Mild Mild 16304 0 36



CLUSTERING FITUR DIABETIC RETINOPATHY MENGGUNAKAN FUZZY K-MEANS...

Documents

Transcript of CLUSTERING FITUR DIABETIC RETINOPATHY MENGGUNAKAN FUZZY K-MEANS...