Klasifikasi tingkat keparahan diabetic retinopathy berdasarkan deteksi objek (microaneurysms, hemorrhages, dan hard exudates) menggunakan metode morfologi matematika dan backpropagation

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Rosalina, Fifi Diah (2018) Klasifikasi tingkat keparahan diabetic retinopathy berdasarkan deteksi objek (microaneurysms, hemorrhages, dan hard exudates) menggunakan metode morfologi matematika dan backpropagation. Undergraduate thesis, UIN Sunan Ampel Surabaya.

Preview

Text
Fifi Diah Rosalina_H72214014.pdf
Download (46MB) | Preview

Abstract

Nilai fantastis estimasi secara global penyandang diabetes pada orang dewasa tahun 2014 menurut WHO mencapai 422 juta jiwa. Kasus terbanyak penderita diabetes di dunia adalah diabetes tipe 2 terhadap komplikasi serius pada organ vital seperti mata, ginjal, dan jantung hingga menyebabkan kematian. Komplikasi DR (DR) dari penderita diabetes mellitus memungkinkan untuk tidak disadari selama beberapa tahun dan dapat menyebabkan kebutaan permanen. Kemunculan microaneurysms menjadi tanda awal DR, kondisi lebih buruk terjadi ketika microaneurysms semakin bertambah dan menyebabkan beberapa pembuluh darah retina mengalami iskemia. Kondisi ini dapat berkembang hingga menyebabkan pendarahan yang ditandai dengan kemunculan hard exudates hingga pertumbuhan pembuluh darah baru yang cepat dan rapuh. Deteksi dini tingkat keparahan DR dilakukan terhadap adanya objek microaneurysms, hemorrhages, dan hard exudates. 5 klasifikasi tingkat keparahan DR yang meliputi normal, mild-nonproliferative DR, moderate-nonproliferative DR, severe-nonproliferative DR, dan proliferative DR dilakukan menggunakan metode Backpropagation. Metode deteksi adanya fitur microaneurysms dan hemorrhages didasarkan pada metode morfologi opening disk dan diamond, sedangkan deteksi fitur hard exudates didasarkan pada metode rekonstruksi morfologi dan daerah minimal citra. Area dan perimeter masing-masing fitur berlaku sebagai inputan backpropagation yang dilakukan dengan 80% data training dan 20% data testing dari jumlah data sebanyak 53 data citra. 4 inputan dengan 150 hidden layer tersusun sebagai struktur jaringan yang mampu menghasilkan nilai MSE sebesar 0.000190 dengan iterasi sebanyak 300.0000 dan tingkat akurasi sebesar 90,90%.