IDENTIFIKASI FASE PENYAKIT RETINOPATI DIABETES MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON
Abstract
Penyakit retinopati diabetes (DR) merupakan salah satu komplikasi pada retina yang disebabkan oleh penyakit diabetes. Tingkat keparahan DR dibagi atas empat kelas yakni: normal, non-proliferative diabetic retinopathy (NPDR), proliferative diabetic retinopathy (PDR), dan macular edema (ME). Penelitian ini bertujuan untuk mengembangkan suatu metode yang dapat digunakan untuk mengidentifikasi fase retinopati diabetes. Dalam penelitian ini digunakan 97 data citra yang diekstrak menggunakan metode ekstraksi ciri gray level cooccurence matrix (GLCM). Fitur ciri tersebut adalah maximum probability, correlation, contrast, energy, homogeneity, dan entropy. Fitur – fitur ini dilatih menggunakan jaringan syaraf tiruan multi layer perceptron untuk dilakukan identifikasi. Akurasi yang dihasilkan dari pendekatan ini adalah 97.73%.
Full Text:
PDF (Bahasa Indonesia)References
Acharya, U. R., Ng, E. Y. K., Tan, J. H., Sree, S. V., Ng, K. H., 2011, An Integrated Index for the Identification of Diabetic Retinopathy Using Texture Parameters, Springer-Verlag, Germany
Bae, J. P., Kim, K. G., Kang, H. C., Jeong, C. B., Park, K. H., Hwang, J. M., 2010, A Study on Hemmorhage Detection Using Hybrid Method in Fundus Images, Journal of Digital Imaging.
David, J., Krihnan, R., Kumar, S., 2008, Neural Network Based retinal Image Analysis, IEEE.
Fadzil,A., M., H., Izhar, L., I., Nugroho, H., Nugroho, H., A., 2011, Analysis of Retinal Fundus Images for Grading of Diabetic Retinopathy Severity, Med. Biol. Eng.Comput, 49,693-700.
Fahrudin, A., 2010, Deteksi Diabetic Retinopathy Pada Citra Retina Dengan Jaringan Syaraf Tiruan, Tesis, Program Pasca Sarjana Fakultas Teknik Universitas Gadjah Mada Yogyakarta.
Gadkari, D., 2004, Image Quality Analysis Using GLCM, Tesis, University of Central Florida, Florida.
Garcia, M., Sanchez, C. I., Poza, J., Lopez, M. I., 2009, Hornero, R., Detection of Hard Exudates in Retinal Images Using a Radial Basis Function Classifier., Journals of Biomedical Engineering, No. 7, Vol. 37, 1448-1463
Gonzales, R., C., Woods, R., E., 2008, Digital Image Processing, 3rd ed., Prentice Hall : Upper Sadle River, NewJersey, USA.
Kuivaleinen, M., 2005, Retinal Image Analysis Using Machinde Vision, Tesis, Departemen of Information Technoloy, Lappeenranta University of Technology, Lappeenranta.
Nayak, B., Bhat, P., Acharya, R., 2008, Automated Identification of Diabetic Retinopathy Stages Using Digital Fundus Images, J. Med. Syst, 32, 107-115.
Prabakar, S., Porkumaran, K., Shah, P., K., Narendran, V., 2011, A Novel Image Processing Approach for Retinopathy of Prematurity Stage Screening, European Journal of Scientific Research, No. 3, Vol. 55,
– 347.
Priya, R., Aruna, P., 2010, Review of Automated Diagnosis Of Diabetic Retinopathy using The Support Vector Machine, International Journal of Applied Engineering Research, No. 4, Vol. 1, 844-863.
Sopharak, A., Dailey,M., N., Uyyanonvara, B., Barman, S., Williamson, T., New, K., T., Moe,Y., A., 2010, Machine Learning Approach to Automatic Exudate Detection in Retinal Images from Diabetic Patients, Journal of Modern Optic, No. 2, Vol. 57, 124-135.
Ulinuha, M., Purnama, I., Hariadi, M., 2010, Segmentasi Optic Disc pada Penderita Diabetic Retinopathy Menggunakan GVF Snake.
Refbacks
- There are currently no refbacks.