PROPOSAL PROYEK AKHIR

PERBANDINGAN METODE KLASIFIKASI UNTUK DETEKSI

OTOMATIS DIABETIC RETINOPHATY PADA CITRA FUNDUS

Disusun oleh :

Jefri Mulyadi
NIM. 1520301034

PROGRAM STUDI TEKNIK ELEKTRONIKA

TELEKOMUNIKASI
POLITEKNIK CALTEX RIAU
2018
 RINGKASAN
Retinopaty Diabetes (DR) merupakan salah satu komplikasi pada retina yang
disebabkan oleh penyakit diabetes. Tingkat keparahan DR di bagi atas empat kelas
yakni : Normal, non-proliferative diabetec retinopathy (NPDR), proliferative diabetic
retinophaty (PDR), dan macular edema (ME).data yang digunakan sebanyak 110 citra
yang fitur-fiturnya diekstrak menggunakan gray level coocurence matrix (GLCM).
Sistem yang dibangun pada tugas akhir ini adalah deteksi otomatis Diabetic
Retinophaty pada citra fundus dari citra yang di dapatkan dari STARE (Structured
Analysis of the Retina). Pada penelitian akan di lakukan perbandingan algoritma SVM
(Support Vector Machines) dengan ANN (Artificial Neural Network) untuk klasifikasi
penyakit diabetes retinopati

Kata kunci : Diabetes Mellitus,Artificial Neural Network, Pengolahan Citra,

NPDR,PDR,GLCM,SVM

i
 DAFTAR ISI

RINGKASAN ................................................................................................................ i
DAFTAR ISI ................................................................................................................. ii
DAFTAR GAMBAR ................................................................................................... iv
DAFTAR TABEL ......................................................................................................... v
I. PENDAHULUAN ............................................................................................... 1
1.1 Latar Belakang.............................................................................................. 1

1.2 Rumusan Masalah ........................................................................................ 2

1.3 Batasan Masalah ........................................................................................... 2

1.4 Tujuan dan Manfaat ...................................................................................... 3

1.4.1 Tujuan ................................................................................................. 3

1.4.2 Manfaat ............................................................................................... 3
1.5 Metodologi Penelitian .................................................................................. 3

1.6 Sistematika Penulisan ................................................................................... 4

II. TINJAUAN PUSTAKA ................................................................................ 5

2.1 Penelitian Terdahulu ..................................................................................... 5

2.2 Landasan Teori ............................................................................................. 8

2.2.1 Mata..................................................................................................... 8
2.2.2 Neural Network ................................................................................. 10
2.3 Fungsi Aktivasi ........................................................................................... 15

2.4 Feed Forward Artificial Neural Network ................................................... 17

2.4.1 Backpropagation ............................................................................... 18

2.5 Support Vector Machine (SVM) ................................................................ 19

III. PERANCANGAN ...................................................................................... 24

3.1 Perancangan Arsitektur............................................................................... 25

3.1.1 Pengumpulan Data ............................................................................ 25

3.1.2 Rancangan Arsitektur Sistem ............................................................ 25

ii
 3.1.3 Ekstraksi Fitur ................................................................................... 27
3.1.4 Klasifikasi ......................................................................................... 29
3.2 Metode Evaluasi ......................................................................................... 29

3.2.1 Confution Matrik............................................................................... 29

IV. JADWAL DAN ANGGARAN BIAYA............................................................ 31
4.1 Jadwal ......................................................................................................... 31

4.2 Perkiraan Biaya........................................................................................... 32

DAFTAR PUSTAKA ........................................................................................ 33

iii
 DAFTAR GAMBAR

Gambar 2. 1 Cahaya dari suatu titik dari objek pada jarak yang jauh dan dekat .......... 9
Gambar 2. 2 penampang mata manusia ....................................................................... 9
Gambar 2. 3 (a) Citra Mata Normal dan (b) Citra Diabetic Retinophaty ................... 10
Gambar 2. 4 Arsitektur Neural Network ..................................................................... 12
Gambar 2. 5 Artificial Neural Network dengan Lapisan Tunggal . ........................... 14
Gambar 2. 6 Artificial Neural Network dengan Lapisan Jamak. ............................... 15
Gambar 2. 7 Fungsi Sigmoid Biner (Fausett, 1994:18). ............................................ 16
Gambar 2. 8 Fungsi Sigmoid Bipolar (Fausett, 1994:19). ......................................... 16
Gambar 2. 9 SVM Berusaha menemukan hyperplane terbaik yang memisahkan kedua
class -1 dan -2 ............................................................................................................. 20
Gambar 3. 1 Flowchart pengerjaan TA……………………………………………….25
Gambar 3. 2 Arsitektur sistem .................................................................................... 26

iv
 DAFTAR TABEL

Table 2. 1 Perbandingan Penelitian ............................................................................. 6

Table 3. 1 Confution Matrik ........................................................................................ 29
Table 4. 1 Jadwal Pelaksanaan Proyek Akhir……….……………………………….31
Table 4. 2 Perkiraan Biaya ......................................................................................... 32

v
I. PENDAHULUAN

1.1 Latar Belakang

Retinopati Diabetik adalah penyakit mata yang diakibatkan oleh diabetes.
Retinopati adalah kondisi yang mempengaruhi kerja retina mata, yang merupakan
lapisan syaraf yang berada di bagian belakang mata dan yang menangkap gambar
yang dilihat mata dan mengirimkan informasinya ke otak agar dapat diterjemahkan
oleh otak. Pada dasarnya, diabetes disebabkan oleh hormon insulin penderita yang
tak mencukupi atau tidak efektif sehingga tak dapat bekerja normal. Tingginya
kadar gula darah dalam waktu yang lama mengakibatkan pembuluh darah mudah
terluka dan mengalami penyempitan (atherosklerosis).
Retinopati Diabetik di deteksi karena merupakan penyakit pada mata yang
paling banyak menyebabkan kebutaan menetap di bandingkan dengan penyakit
mata lain nya, Retinopati Diabetes tidak bisa dideteksi langsung secara kasar mata
karena tanda-tandanya berada dibagian syaraf retina. Di Amerika Serikat terdapat
kebutaan 5.000 orang pertahun akibat retinopati diabetes, sedangkan di Inggris
Retinopati Diabetes merupakan penyebab kebutaan nomor 4 dari seluruh penyebab
kebutaan (yellien, 2014). Di Amerika Utara dilaporkan sekitar 12.000-24.000
pasien diabetes mengalami kebutaan setiap tahun. Di Inggris dan Wales tercatat
sekitar 1000 pasien diabetes setiap tahun mengalami kebutaan sebagian sampai
kebutaan total. Berdasarkan uraian diatas Retinopati Diabetik merupakan salah satu
masalah yang sangat penting dalam ilmu kesehatan mata. (yellien, 2014)
Retinopati Diabetik pada umumnya disebabkan oleh Diabetes. Pada
prinsipnya, retina mata perlu dialiri darah secara teratur agar dapat bekerja dengan
baik. Diabetes sendiri adalah kondisi yang menyebabkan kelainan pada kemampuan
tubuh dalam menyimpan dan memproses gula dalam tubuh, terutama yang akan
digunakan dalam darah. Gejala yang ditunjukkan oleh penderita DR antara lain
mikroneurisma, hemorrhages, hard exudates, soft exudates dan neovascularis. Gejala-
gejala tersebut pada suatu intensitas tertentu dapat menjadi indikator fase (tingkat

1
keparahan) retinopati diabetes. Secara umum fase tersebut dibagi dalam tiga fase, yaitu
non-proliferative diabetic retinopathy (NPDR) proliferative diabetic retinopathy
(PDR) serta macular edema (ME).
Dalam pengenalan sebuah citra, proses klasifikasi sama pentingnya dengan
proses ekstraksi ciri. Setelah ciri-ciri penting data atau citra retina dihasilkan pada
proses ekstraksi ciri, ciri-ciri tersebut nantinya akan digunakan untuk proses klasifikasi.
Metode klasifikasi yang digunakan adalah Neural network, Neural network digunakan
karena dapat mensimulasikan perilaku sistem biologi susunan syaraf manusia, yang
terdiri dari sejumlah besar unit pemrosesan yang disebut neuron, yang beroperasi
secara parallel, sejak tahun 1950-an, neural network telah digunakan untuk tujuan
prediksi maupun klasifikasi dan selain Neural Network, Metode SVM digunakan juga
untuk klasifikasi DR, SVM (Support Vector Machines) merupakan machine learning
algorithm yang sering dipakai untuk proses klasifikasi karena dapat dengan mudah
untuk diimplementasikan dan secara umum memiliki performansi yang baik dibidang
pattern recognition. Oleh karena itu Tugas akhir ini bertujuan untuk membandingkan
antara dua metode klasifikasi yaitu SVM dan ANN, dan metode mana kah yang paling
baik dalam melakukan klasifikasi untuk deteksi otomatis Diabetic Retinophaty pada
Citra Fundus.

1.2 Rumusan Masalah

Adapun rumusan masalah dalam pembuatan tuggas akhir ini adalah.
1) Apakah ciri tekstur (GLCM) dapat digunakan untuk deteksi penyakit
Diabetic Retinophaty.
2) Apakah SVM (Support Vector Machines) Lebih baik di bandingkan dengan
ANN (Artificial Neural Network).
3) Apakah Segmentasi dan Pre-processing dapat melakukan metode klasifikasi.

1.3 Batasan Masalah

Adapun batasan masalah dalam pembuatan tugas akhir ini adalah :
1) C i t r a ya n g d i g u n a k a n a d a l a h c i t r a f u n d u s m a t a .

2
 2) Data yang digunakan dalam penelitian ini adalah data kelainan mata
khususnya pada penderita Diabetic Retinophaty tahun 1996-2004 yang di
teliti oleh STARE (Structured Analysis of the Retina)
3) Metode yang digunakan untuk klasifikasi hanya ANN dan SVM
4) Tidak melakukan akuisisi data citra fundus.

1.4 Tujuan dan Manfaat

1.4.1 Tujuan
Adapun tujuan dari penelitian ini adalah:
1) Untuk mendeteksi penyakit Diabetic Retinophaty secara otomatis.
2) Untuk membanding kan dua metode pengklasifikasian.

1.4.2 Manfaat
kManfaat yang diharapkan dari penelitian ini adalah:
1) Membantu ahli fundus mata dalam mendeteksi penyakit Diabetic
Retinophaty.
2) Membantu penelitian selanjutnya untuk menentukan metode klasifikasi yang
terbaik.

1.5 Metodologi Penelitian

Metode penelitian yang dipakai dalam pembuatan proyek akhir ini adalah :
1. Studi Literatur

Studi literatur dilakukan dengan cara mempelajari berbagai literatur yang

berkaitan dengan citra masukan, melakukan Preprocessing terhadap citra
masukan, mengestrak ciri citra masukan, training terhadap ciri yang telah
diekstrak dan menampilkan hasil klasifikasi terhadap suatu citra. Setelah
mempelajari literatur, maka dilakukan perencanaan untuk melakukan arsitektur
system yang bertujuan untuk memaparkan dengan lebih details proses yang terjadi
dalam setiap bagian nya, yaitu Preprosesing, Dilasi, Invert, Perkalian Citra.
2. Pengumpulan Data
Untuk melengkapi tahap deteksi hasil citra diabetic retinophaty fundus

3
 mata tersebut, maka dilakukan pengumpulan data untuk mendukung terwujud nya
pendeteksian yang presisi terhadapat deteksi hasil citra dengan menggunakan
rumus, menghitung output sehingga menghasilkan pengumpulan data yang di
inginkan pada saat pengujian.
3. Analisis
Setelah semua data diolah dan diperoleh, maka dilakukan uji coba
menggunakan software Matlab 8.2 untuk kemudian dilakukan analisis terhadap
hasil pendeteksian hasil citra diabetic retinophaty fundus mata

1.6 Sistematika Penulisan

Sistematika penulisan laporan proyek akhir ini secara keseluruhan terdiri dari
empat bab, masing-masing terdiri dari beberapa sub bab. Adapun pokok pembahasan
dari masing-masing bab tersebut secara garis besar sebagai berikut:

I. PENDAHULUAN
Bab ini menguraikan tentang latar belakang masalah, perumusan masalah dan
ruang lingkup masalah, tujuan dan manfaat penelitian, metodologi penelitian dan
sistematika penulisan.
II. TINJAUAN PUSTAKA
Bab ini menguraikan beberapa hasil penelitian terdahulu dan landasan teori yang
diperlukan untuk merancang sistem.
III. PERANCANGAN
Bab ini menjelaskan tentang perancangan sistem terdiri dari perancangan sistem
yang akan dibangun.
IV. JADWAL DAN PERKIRAAN BIAYA
Bab ini berisi informasi mengenai jadwal pengerjaan proyek akhir dan perkiraan
biaya yang dibutuhkan untuk pengerjaan proyek akhir.

4
II. TINJAUAN PUSTAKA

2.1 Penelitian Terdahulu

Menurut (Rocky & Agus, 2012)dengan judul klasifikasi fase Retinopati Diabetes
menggunakan Backpropagation Neural Network ada beberapa tahap yang di lakukan
dalam pengolahan citra digital, Tahap-tahap tersebut anatara lain : Analisis kebutuhan
sistem, Rancangan Arsitektur Sistem, Preprosesing untuk meningkatkan kualiatas citra
dimana citra yang di hasilkan dapat memberikan informasi yang lebih jelas, dan disini
menggunakan metode Backpropagation dan dilatih menggunakan jaringan syaraf
tiruan kemudian di lakukan klasifikasi dari data pasien dan diagnosis penyakit.
Menurut (Rudianto, 2016) dengan Judul Penentuan penyakit peradangan hati
dengan menggunakan neural network backpropagation menentukan terlebih dahulu
catatan rekam medis yang telah menyimpan gejala-gejala panyakit hati pasien dan
beberapa tahapan dapat di lakukan nya penelitian ini antara lain : Data mining
merupakan rangkaian proses untuk menggali nilai tambahan beruapa informasi yang
belum tereksplorasi dari sebuah basis data, Neural network atau jaringan syarat tiruan
merupakan salah satu buatan otak manusia yang mencoba mensimulasikan proses
pembelajaran pada otak manusia, dan Algoritma neural network Backpropagation dan
data yang digunakan bersumber dari alamat web.
Menurut (Azhar, 2013) dengan judul Penggunaan Artificial Neural Network
untuk mendeteksi kelainan miopi pada manusia dengan metode backpropagation,
tahapan dalam penelitian ini antara lain : mengambil data kelainan mata miopi dari
Optik Ijen Kota Malang Tahun 2010-2011, pencarian bobot dari artificial neural
network, mendiskripsikan data, dan analisis data yang ada. Model artfificial neural
network yang akan digunakan adalah model backpropagation dengan fungsi aktivasi
fungsi sigmoid biner dan pada kelainan mata ini penulis tidak mengikut sertakan
kelainan mata silinder.
Menurut (Usep, 2015) dengan judul komparasi support vector machine dan
neural network untuk prediksi kelulusan dengan menggunakan Metode Neural
Network dan Support Vector Machine dan hasil yang di dapat kan Hasil pengujian

5
menunjukkan model dengan metode Neural Network memiliki akurasi sebesar 96.61%
dan nilai AUC sebesar 0.997 sedangkan untuk metode Support Vector Machine
memiliki nilai akurasi sebesar 98.91% dan nilai AUC sebesar 1.000. Sehingga dapat
disimpulkan penerapan metode Support Vector Machine lebih baik dari Neural
Network pada data sertifikasi benih kentang.
Menurut (Wahyudi , Kusworo , & Aris , 2012) dengan judul Sistem Deteksi
Retinopati Diabetik Menggunakan Support Vector Machine dan Hasil tes dilakukan
dengan mengambil dataset MESSIDOR dengan jumlah gambar yang bervariasi untuk
tahap pelatihan, jika tidak digunakan untuk fase pengujian. Hasil pengujian
menunjukkan akurasi yang optimal adalah 84%.
Table 2. 1 Perbandingan Penelitian

No Nama Tahun Judul Penelitian Metode Hasil

Penelitian
1 Rocky dan 2012 Judul klasifikasi Backpropagation Di dapatkan pendekatan
Agus fase Retinopati Neural Network, nya yaitu sensitivity
Diabetes GLCM(gray 100%,Specificity 100%
menggunakan level dan accuary 97.73 %
Backpropagation cooccurence dengan pendekatan
Neural Network matrix) eliminasi Optic disc
2 Rudianto 2016 Penentuan Neural Network Hasil akurasi 84,62%
penyakit Backpropagation dan nilai area under the
peradangan hati curva(AUC) sebesar
dengan 0,801. Hasil klasifikasi
menggunakan cukup baik karena
neural network memiliki nilai AUC
backpropagation antara 0.8-0.9.

6
3 Azhar 2013 Penggunaan Artificial Neural Hasil Proproprtion
effendi Artificial Neural Network correct sebesar 100%
Network untuk dengan kesalahan
mendeteksi sebesar 0% yang berarti
kelainan miopi tidak ditemukan objek
pada manusia yang salah pada
dengan metode pengelompokan data
backpropagation
4 Usep 2015 Komparasi Metode Neural Hasil pengujian
Tatang Support Vector Network dan menunjukkan model
Suryadi Machine dan Support Vector dengan metode Neural
Neural Network Machine Network memiliki
untuk Prediksi akurasi sebesar 96.61%
Kelulusan dan nilai AUC sebesar
Sertifikasi Benih 0.997 sedangkan untuk
Kentang metode Support Vector
Machine memiliki nilai
akurasi sebesar 98.91%
dan nilai AUC sebesar
1.000. Sehingga dapat
disimpulkan penerapan
metode Support Vector
Machine lebih baik dari
Neural Network pada
data sertifikasi benih
kentang.

7
 5 Wahyudi 2012 Sistem Deteksi Metode Support Hasil tes dilakukan
Setiawana. Retinopati Vector Machine, dengan mengambil
Dkk Diabetik Grayscale, Filter dataset MESSIDOR
Menggunakan Gaussian, dengan jumlah gambar
Support Vector Masking yang bervariasi untuk
Machine tahap pelatihan, jika
tidak digunakan untuk
fase pengujian. Hasil
pengujian menunjukkan
akurasi yang optimal
adalah 84%.

2.2 Landasan Teori

2.2.1 Mata
Mata merupakan organ yang mendeteksi cahaya. Mata secara sederhana tidak
melakukan apapun kecuali mendeteksi apakah lingkungan sekitarnya gelap atau terang,
yang cukup untuk penglihatan. Mata pada hal yang lebih kompleks dapat membedakan
bentuk dan warna. Pada mata manusia, cahaya masuk melalui pupil dan difokuskan
pada retina dengan bantuan lensa . Sel-sel syaraf sensitif cahaya disebut rod (untuk
kecerahan) dan cone (untuk cahaya) yang beraksi terhadap cahaya. Keduanya
berinteraksi satu dengan lainnya dan mengirimkan pesan ke otak yang
mengindikasikan kecerahan, warna dan kontur.

8
 Gambar 2. 1 Cahaya dari suatu titik dari objek pada jarak yang jauh dan dekat

Fungsi optik dari mata manusia adalah untuk membawa gambar visual ke dalam
retina. Karena kedalaman bidang yang terbatas dari mata manusia, suatu obyek pada
satu jarak tertentu mungkin dapat memproyeksikan gambar dengan jelas, yang dapat
dicapai dengan mengubah kelengkungan lensa. Untuk obyek pada jarak yang jauh ,
lensa harus dibuat lebih datar, sedangkan untuk obyek jarak dekat lensa harus dibuat
lebih tebal dan lebih bulat seperti ditunjukkan pada Gambar 2.1. Retina adalah lapisan
dalam mata yang sensitif, yang berfungsi menerima gambar yang diubah oleh lensa
dan mengirimkannya melalui syaraf optik ke otak sehingga retina dapat diibaratkan
sebagai sebuah film pada kamera. Gambar penampang mata manusia dimana
didalamnya terdapat retina ditunjukkan pada Gambar 2.2.

Gambar 2. 2 penampang mata manusia

Pada perkembangan embrio vertebrata, retina dan syaraf optik mula-mula

merupakan perkembangan dari kemajuan otak. Oleh karena itu, retina menjadi bagian

9
dari system syaraf utama atau disebut sebagai central nervous system (CNS). Retina
merupakan bagian dari CNS yang dapat digambarkan secara langsung.
Berikut merupakan gambar yang menunjukkan mata yang terkena penyakit
Diabetic Retiniphaty dan mata yang tidak terkenak penyakit Diabetic Retinophaty
(Normal)

(a)

(b)
Gambar 2. 3 (a) Citra Mata Normal dan (b) Citra Diabetic Retinophaty

Pada Gambar 2.3 merupakan citra mata normal dan citra Diabetic Retinophaty dapat
dilihat di antara kedua fundus mata tersebut terdapat perbedaan, untuk citra Diabetic
Retinophaty terdapat berupa Pertumbuhan pembuluh darah baru, perdarahan di cairan
bola mata (vitreus) yang di tandai dengan bitnik bintik pada mata dan untuk citra mata
normal sendiri tidak ada nya pembuluh darah baru dan perdarahan di bola mata .

2.2.2 Neural Network

Neural network atau jaringan syaraf tiruan adalah merupakan salah satu
representasi buatan dan otak manusia yang selalu mencoba mensimulasikan proses
pembelajaran pada otak manusia. Istilah buatan disini digunakan karena jaringan syaraf

10
ini diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Kusuma
Dewi, 2010). Neural network adalah (Han, 2006) satu set unit input/output yang
terhubung dimana tiap relasinya memiliki bobot. Hal yang perlu mendapat perhatian
istimewa adalah bahwa jaringan syaraf tiruan tidak diprogram untuk menghasilkan
keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan
didasarkan pada pengalamanya selama mengikuti proses pembelajaran, Pada proses
pembelajaran, kedalam jaringan syaraf tiruan dimasukkan pola-pola input (dan output)
lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima (Diyah
Puspitaningrum, 2006).
Neural Network dimaksudkan untuk mensimulasikan perilaku sistem biologi
susunan syaraf manusia, yang terdiri dari sejumlah besar unit pemroses yang disebut
neuron, yang beroperasi secara paralel (Alpaydin, 2010). Neuron mempunyai relasi
dengan synapse yang mengelilingi neuron-neuron lainnya. Susunan syaraf tersebut
dipresentasikan dalam neural network berupa graf yang terdiri dari simpul (neuron)
yang dihubungkan dengan busur, yang berkorespondensi dengan synapse. Sejak tahun
1950-an, neural network telah digunakan untuk tujuan prediksi, bukan hanya
klasifikasi tapi juga untuk regresi dengan atribut target kontinu (Vecellis, 2009).
Neural network terdiri dari dua lapisan atau lebih, meskipun sebagian besar
jaringan terdiri dari tiga lapisan : lapisan input, lapisan tersembunyi, dan lapisan output
(Larose, 2005). Pendekatan neural network dimotivasi oleh jaringan saraf biologis.
Secara kasar, neural network adalah satu set terhubung input/output unit, di mana
masing - masing sambungan memiliki berat yang terkait dengannya. Neural network
memiliki beberapa ciri yang membuat mereka populer untuk clustering. Pertama,
neural network adalah arsitektur pengolahan inheren paralel dan terdistribusi.
Kedua, neural network belajar dengan menyesuaikan bobot interkoneksi dengan
data, Hal ini memungkinkan neural network untuk "menormalkan" pola dan bertindak
sebagai fitur (atribut) extractors untuk kelompok yang berbeda. Ketiga, neural
network memproses vektor numerik dan membutuhkan pola objek untuk diwakili
oleh fitur kuantitatif saja (Gorunescu, 2011).

11
 Gambar 2. 4 Arsitektur Neural Network

2.2.2.1 Kegunaan dan Aplikasi Artificial Neural Network

Fausett (1994:5-6) menyatakan bahwa artificial neural network pada umumnya
digunakan untuk tugas atau pekerjaaan yang kurang praktis jika 20 dikerjakan secara
manual. Kegunaan artificial neural network dalam kehidupan nyata antara lain:
a. Perkiraan fungsi atau analisis regresi, peramalan dan termasuk prediksi time
series serta modeling.
b. Klasifikasi, termasuk pengenalan pola dan pengenalan urutan serta
pengambilan keputuan dalam pengurutan.
c. Pengolahan data, termasuk di dalamnya penyaringan, pengelompokan dan
kompresi.
d. Robotik.
Menurut Siang (2009:5) aplikasi artificial neural network adalah sebagai berikut:
a. Pengenalan pola (Pattern Recognition)
Artificial neural network dipakai untuk mengenali pola (misalnya: huruf, angka,
suara dan tanda tangan) yang sudah sedikit berubah. Hal ini mirip dengan otak manusia
yang masih mampu mengenali orang yang sudah beberapa waktu tidak dijumpainya
(mungkin wajah/bentuk tubuhnya sudah sedikit berubah).
b. Signal Processing
Artificial neural network (model ADALINE) dapat dipakai untuk menekan
noise dalam saluran telepon.
c. Peramalan

12
 Artificial neural network juga dapat dipakai untuk meramalkan apa yang akan
terjadi di masa yang akan datang berdasarkan pola kejadian yang 21 ada di masa
lampau. Ini dapat dilakukan mengingat kemampuan artificial neural network dan
membuat generalisasi dari apa yang sudah ada sebelumnya.
Di samping area-area tersebut, artificial neural network juga dilaporkan dapat
menyelesaikan masalah dalam bidang kontrol, kedokteran dan lain-lain. Meskipun
banyak aplikasi menjanjikan yang dapat dilakukan oleh artificial neural network,
namun artificial neural network juga memiliki beberapa keterbatasan umum, seperti
ketidakakuratan hasil yang diperoleh apabila menggunakan single layer. Artificial
neural network bekerja berdasarkan pola yang terbentuk pada input.

2.2.2.2 Arsitektur Artificial Neural Network

Artificial neural network memiliki beberapa arsitektur jaringan yang sering
digunakan dalam berbagai aplikasi. Arsitektur artificial neural network, antara lain:
1. Jaringan layar tunggal
Jaringan dengan lapisan tunggal terdiri dari 1 layer input, 1 layer output dan 1
lapisan bobot koneksi (Fausett, 1994:12). Pada jaringan ini, sekumpulan masukan
neuron dihubungkan langsung dengan sekumpulan keluarannya. Sinyal mengalir
searah dari lapisan masukan sampai lapisan keluaran.
Setiap simpul dihubungkan dengan simpul lainnya yang berada di atasnya dan di
bawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang sama. Model
yang masuk kategori ini antara lain: ADALINE, Hopfield, perceptron, LVQ, dan lain-
lain (Siang, 2009:30).
Pada gambar berikut diperlihatkan jaringan dengan n unit masukan
(x1,x2,....,xn) dan m keluaran (y1,y2,....,ym ).

13
 Gambar 2. 5 Artificial Neural Network dengan Lapisan Tunggal .

2. Jaringan layar jamak

Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki tiga
jenis lapisan yakni layer input, layer output, dan layer tersembunyi (Fausett, 1994:12).
Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih
komplek dibandingkan jaringan dengan lapisan tunggal. Namun, proses pelatihan
sering membutuhkan waktu yang cenderung lama tentu dengan pembelajaran yang
lebih rumit. Akan tetapi, pada beberapa kasus pembelajaran pada jaringan yang
mempunyai banyak lapisan ini lebih sukses dalam menyelesaikan masalah. Model yang
termasuk kategori ini antara lain: MADALINE dan Backpropagation
Pada gambar berikut diperlihatkan jaringan dengan n unit masukan
(x1,x2,....,xn) dan layar tersenbunyi yang terdiri dari m (y1,y2,....,ym ) dan 1 unit
keluaran.

14
 Gambar 2. 6 Artificial Neural Network dengan Lapisan Jamak.

2.2.3 Fungsi Aktivasi

Menurut Siang (2009:26-28) dalam artificial neural network, fungsi aktivasi
digunakan untuk menentukan keluaran suatu neuron. Argumen fungsi aktivasi adalah
net masukan (kombinasi linier masukan dan bobotnya) yang dinyatakan sebagai
berikut:
net  xiwi (2.9)
Dengan fungsi aktivasi
F (net)  f ( xiwi ) (2.10)

Fungsi aktivasi yang sering digunakan dalam artificial neural network, yaitu:
1
f (x)  1+𝑒 −𝑥 (2.11)

Fungsi sigmoid dibagi menjadi 2 bagian yaitu:

1. Fungsi Sigmoid Biner
Siang (2009:99-101) menyatakan bahwa dalam backpropagation, fungsi
aktivitasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu, terdeferensial
dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang

15
memenuhi tiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner
yang memiliki range (0 sampai 1), yaitu sebagai berikut:
1
f (x)  (1+𝑒 −𝑥 )dengan turunan f’ (x) = ( f (x) (1-f (x ) ) (2.12)

Gambar 2. 7 Fungsi Sigmoid Biner (Fausett, 1994:18).

2. Fungsi Sigmoid Bipolar

Menurut Kusumadewi (2003:54-55) fungsi sigmoid bipolar hampir sama dengan
fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara -1 sampai
1. Fungsi sigmoid bipolar adalah sebagai berikut:
1−𝑒 −2𝑥
f (x) =(1+𝑒 −2𝑥 ) (2.13)
𝑒(𝑥)−𝑒(−𝑥)
f (x) =(𝑒(𝑥)+𝑒(−𝑥)) (2.14)
1−𝑒(−2𝑥)
=(1+𝑒(−2𝑥)) (2.15)

Gambar 2. 8 Fungsi Sigmoid Bipolar (Fausett, 1994:19).

16
2.2.4 Feed Forward Artificial Neural Network
Artificial neural network juga merupakan suatu unit dasar dari feed forward
artificial neural network dalam neuron yang formal. Model neuron sederhana ini
diusulkan oleh Mc Culloch dan Pitts pada tahun 1943. Pembuatan blok sederhana dari
jaringan dengan satu lapisan jaringan dengan x sebagai sinyal input (x1,x2,…..,xi) dan y
(y1,y2,…..,yj) merupakan output dari neuron, dimana jaringan di sini merupakan
perpindahan dari input x ke output y.
Jaringan pembobotan didasarkan pada perbedaan target dengan hasil output.
Kesalahan dari output layer akan diinteraksikan mundur oleh jaringan dengan “link
weight”. Prosedur iterasi ini akan berulang sampai diperoleh nilai yang konvergen
dengan nilai error yang minimum. Menurut Ripley (1996:151) hubungan dari input dan
output dapat dinyatakan sebagai berikut:
yk = fk (𝑎𝑘 + ∑𝑗→𝑘 𝑤𝑗𝑘 𝑥𝑖 (𝑎𝑗 + ∑𝑖→𝑗 𝑤𝑖𝑗 𝑥𝑖 ). ) (2.16)
dimana : x : signal input
y : signal output
fk : fungsi aktivasi
αk : nilai bias untuk output ke-k
αj : nilai bias untuk hidden node ke-j
i = 1,2,….,l ; j = 1,2,…..,m ; dan k = 1,2,….,n
∑𝑗→𝑘 𝑤𝑗𝑘 : jumlah bobot dari hidden ke output
∑𝑗→𝑘 𝑤𝑖𝑗 : jumlah bobot dari input ke hidden
Secara umum artificial neural network merupakan suatu arsitektur yang terdiri
dari satu atau beberapa hidden layer dimana semua neuron dalam layer mempunyai
fungsi yang sama yaitu fh atau f0 yang dinyatakan sebagai berikut:
yk = fk (𝑎𝑘 + ∑𝑗→𝑘 𝑤𝑗𝑘 𝑥𝑖 (𝑎𝑗 + ∑𝑖→𝑗 𝑤𝑖𝑗 𝑥𝑖 ). ) (2.17)
Arsitekrur artificial neural network dengan fungsi logistik pada output dan
mempunyai bentuk “skip layer”, dapat dipandang sebagai bentuk non linier dari regresi
logistik. Bila output neuron berjumlah banyak, maka bentuk arsitektur ini berhubungan
dengan “linked logistic regression”.

17
 Dalam arsitektur jaringan setiap neuron j mempunyai input xj dan output yj .
Dimana input-input dari seluruh jaringan merupakan input-input untuk neuronneuron
input dan output-output dari seluruh jaringan juga merupakan outputoutput untuk
neuron output. Untuk setiap titik neuron j dapat ditentukan persamaannya sebagai
berikut:
yjfj(xj) (2.18)
dan
xj=∑𝑖→𝑗 𝑤𝑖𝑗 𝑦𝑗 (2.19)
Secara ringkas, dalam arsitektur jaringan penggunaan fungsi aktivasi tidak selalu sama
tergantung dari permasalahan dan teori pendukungnya. Dalam penerapannya,
permasalahan utama yang sering muncul adalah penentuan parameter atau pembobotan
serta pengoptimalan jumlah layer dan jumlah neuron dari suatu arsitektur jaringan.
Proses dalam artificial neural network dibedakan menjadi tiga tahap utama
yaitu feed forward, backpropagation dan update nilai bobot. Pada tahap feed forward
dilakukan proses dari input sampai dengan diperoleh hasil output, sedangkan pada
tahap backpropagation dilakukan proses pembandingan nilai output dari tahap feed
forward dengan nilai target yang telah ditentukan, kemudian dilanjutkan ke depan
sampai input layer sehingga diperoleh nilai error. Pada tahap update nilai bobot
dilakukan peng-update-an nilai bobot sampai diperoleh error yang minimal. Adapun
penjelasan dari tahapan-tahapan tersebut adalah sebagai berikut:

2.2.5 Backpropagation
Proses dalam tahap ini merupakan proses koreksi terhadap nilai output yang
dihasilkan oleh tahap sebelumnya. Setiap nilai output akan dibandingkan dengan nilai
target, dan dicari besarnya error untuk tiap nilai tersebut. Dimana nilai error tersebut
akan digunakan sebagai dasar untuk meng-update nilai bobot yang menghubungkan
antara hidden layer dan output layer. Proses yang ada pada tahap ini sama dengan
proses pada tahap feed forward, hanya saja pada tahap backpropagation ini, proses
dilakukan dari output layer ke input layer.

18
 Dalam proses backpropagation, bentuk fungsi error yang dieliminasi adalah:
1 (𝑇) (𝑇)
E=2 ∑𝑡𝑘=1(𝑡𝑘 − 𝑦𝑘 )𝑡(𝑡𝑘 − 𝑦𝑘 ) (2.12)

Dimana 𝑦 (𝑇) merupakan nilai output pada layer terakhir.

Nilai vektor selisih yang dievaluasi dengan perulangan mundur 𝜏 = 𝜏 − 1, 𝜏 −
2, … . ,1 adalah:
𝜕𝑓 𝜏
𝛿𝑘𝜏 (𝑖) = [∑𝜏+1 𝜏+1
𝐼=1 𝛿𝑘 (𝑙)𝑊
𝜏+1
(𝑙𝑖)] 𝜕𝑛𝜏 (𝑖) (2.13)
𝑘

Secara umum, algoritma dalam proses backpropagation adalah sebagai berikut:

1. Bandingkan setiap nilai output yang dihasilkan (yk, k = 1,2,….,m) dengan nilai
target (tk).
2. Hitung nilai koreksi untuk nilai bobot yang menghubungkan hidden node dan
output node, serta output node dan bias.
3. Nilai error yang diperoleh dari output layer dilanjutkan keseluruh node yang ada
pada hidden layer, kemudian dikalikan dengan nilai bobot yang ada pada jalur
yang dilaluinya. Setiap nilai yang diterima oleh hidden node akan dijumlahkan.
4. Hitung nilai koreksi untuk nilai bobot antara input node dan hidden node serta
antara hidden node dan bias.
Proses estimasi dengan menggunakan backpropagation, terdapat beberapa
permasalahan yang sering dijumpai antara lain pemilihan nilai awal, lokal minimum,
jumlah neuron pada lapisan hidden dan lain-lain. Meskipun telah ada beberapa metode
untuk memperkecil peluang munculnya permasalahan tersebut, akan tetapi tidak
menjamin bahwa estimasi backpropagation akan memberikan hasil yang lebih baik
(Fauset, 1994:289).

2.2.6 Support Vector Machine (SVM)

Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari
hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space.
Hyperplane dalam ruang vector berdimensi d adalah affine subspace berdimensi d-1
yang membagi ruang vector tersebut ke dalam dua bagian, yang masing-masing
berkorespondensi pada class yang berbeda.

19
 Hyperplane pemisah terbaik antara kedua kelas dapat ditemukan dengan
mengukur margin hyperplane tersebut. dan mencari titik maksimalnya. Margin adalah
jarak antara hyperplane tersebut dengan pattern terdekat dari masing masing kelas.
Pattern yang paling dekat ini disebut sebagai support vector. Garis solid pada Gambar
2 menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah-tengah
kedua kelas, sedangkan titik merah dan kuning yang berada dalam lingkaran hitam
adalah support vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari
proses pembelajaran pada SVM.

Gambar 2. 9 SVM Berusaha menemukan hyperplane terbaik yang memisahkan kedua class -
1 dan -2

𝑖 ∈  , sedangkan label masing-masing dinotasikan

Data yang tersedia dinotasikan sebagai ×→ d

yi  1,1 untuk i=1,2,3 …. l. Yang mana l adalah banyaknya data. Diasumsikan kedua class
–1 dan +1 dapat terpisah secara sempurna oleh hyperplane berdimensi d.

yang didefinisikan
𝑤 →. 𝑥 → b  0 (2.1)
Pattern 𝑤 → yang termasuk class –1 (sampel negatif) dapat dirumuskan sebagai pattern
yang memenuhi pertidaksamaan
𝑤 → . 𝑥 →  b  1 (2.2)
Sedangkan pattern 𝑤 → yang termasuk class +1 (sampel positif)
𝑤 → . 𝑥 →  b  1 (2.3)
Margin terbesar dapat ditemukan dengan memaksimalkan nilai jarak antara hyperplane
1
dan titik terdekatnya, yaitu . Hal ini dapat dirumuskan sebagai Quadratic
||𝑤 → ||

20
Programming (QP) problem, yaitu mencari titik minimal persamaan (2.2), dengan
memperhatikan constraint persamaan (2.3).

min 𝜏(w) = ||𝑤 → ||2 (2.4)

yi 𝑤 → . 𝑥 →  b 1 0, i (2.5)
Problem ini dapat dipecahkan dengan berbagai teknik komputasi, di antaranya
Lagrange Multiplier.
1
L𝑤 → ,b,𝛼  = ||𝑤 → ||2 - ∑𝑙𝑖=1 𝛼𝑖 (𝑦𝑖 (𝑥 → 𝑖 . 𝑤 → + 𝑏) − 1)) (2.6)
2

dengan i = 1, 2, …, l .
𝛼 i adalah Lagrange multipliers, yang bernilai nol atau positif (𝛼 i≥0 ). Nilai
optimal dari persamaan (2.6) dapat dihitung dengan meminimalkan L terhadap w  dan
b, dan memaksimalkan L terhadap αi. Dengan memperhatikan sifat bahwa pada titik
optimal gradient L =0, persamaan (2.6) dapat dimodifikasi sebagai maksimalisasi
problem yang hanya mengandung saja αi, sebagaimana persamaan (2.7).
1
∑𝑙𝑖=1 𝛼𝑖 − ∑𝑙𝑖,𝑖=1 𝛼𝑖 𝛼𝑗 𝑦𝑖 𝑦𝑗 𝑤 → 𝑖 𝑤 →𝑗 (2.7)
2

dimana
𝛼𝑖  0 ( i  1,2,….l) (2.8)
Dari hasil dari perhitungan ini diperoleh αi yang kebanyakan bernilai positif. Data yang
berkorelasi dengan αi yang positif inilah yang disebut sebagai support vector (Nugroho
et al.,2003)

2.2.7 Perancangan atau pengembangan algoritma

2.2.7.1 Pre-Pengolahan (Preprocessing)

Tujuan utama dari Pre-Pengolahan citra adalah untuk meningkatkan kualitas citra yang
dihasilkan dapat memberikan informasi yang jelas bagi manusia sehingga
memudahkan dalam melakukan interpretasi atas suatu citra (kuivaleinen). Dalam
Penelitian ini digunakan dua teknik Pre- Pengolahan sebagai berikut:
1. Perenggangan kontras.

21
 Kontras suatu citra adalah distribusi piksel gelap dan terang. Citra keabuan
dengan kontras yang rendah akan terlihat terlalu gelap, terlalu terang, atau terlalu
abu-abu.

2. Filter median.
Filter median adalah salah satu filter yang sangat baik dalam mereduksi noise
berjenis salt & pepper sehingga sangat sering digunakan dalam memperbaiki
kualitas citra retina khususnya penelitian dibidang retinopati diabetes Ukuran
window yang biasa digunakan yaitu 3x3, 5x5 dan 7x7.

2.2.7.2 Segmentasi

1. Thresholding.
Thresholding adalah proses mengubah citra berderajat keabuan menjadi citra
biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek
dan background dari citra secara jelas. Untuk keperluan segmentasi OD maka
digunakan metode thresholding global, menggunakan persamaan:
1 𝑖𝑓 𝑓(𝑥, 𝑦) > 𝑇
g(x,y) ={ (3.4)
0 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ 𝑇

2.2.8 Ekstraksi Fitur

2.2.8.1 Pembentukan GLCM

Penelitian ini mengggunakan GLCM multi arah (multiple) yang dibentuk
menggunakan jarak 2 pixel tetangga (d=2). Jarak 2 pixel tetangga dipilih karena
termasuk salah satu jarak ideal dalam membentuk GLCM [7]. Hitung semua ciri
statistik untuk setiap arah yang terbentuk.

2.2.8.2 Ekstraksi ciri GLCM

Setelah GLCM terbentuk pada suatu jarak dan arah tertentu, maka langkah
selanjutnya adalah menghitung ciri statistik dari semua GLCM yang telah terbentuk

22
berdasarkan jarak dan arah yang telah terbentuk. Enam elemen yang diusulkan oleh [7]
adalah : maximum probability, entropi, energy, korelasi, kontras, dan homogenitas.
Proses ektraksi ciri dilakukan dengan menghitung 6 ciri statistik dari setiap GLCM (16
GLCM) sebagai berikut :
1. Max Probability = max( pij ) (3.5)
2. Entropi.
Entropi menunjukan ukuran ketidakteraturan distribusi intesitas suatu citra
pada matriks co-coccurence. Persamaannya untuk menghitung entropi adalah:
Entopi = ∑𝑘𝑖=1 ∑𝑘𝑗=1 𝑝𝑖𝑗log2 pij (3.6)

3. Energi.
Energi adalah fitur untuk mengukur konsentrasi pasangan intensitas pada
matriks cooccurance [8]. Nilai energi akan makin membesar bila pasangan
piksel yang memenuhi syarat matriks intensitas co-occurance terkonsentrasi
pada beberapa koordinat dan mengecil bila letaknya menyebar. yang digunakan
untuk menghitung energi adalah :
Energi = ∑𝑘𝑖=1 ∑𝑘𝑗=1 𝑝2 𝑖𝑗 (3.7)
4. Korelasi.
Ciri ini menunjukan tingkat korelasi antar pixel dalam suatu citra.
Persamaannya adalah :
(𝑖−𝑚𝑟 )(𝑗−𝑚𝑐
∑𝑘𝑖=1 ∑𝑘𝑗=1 (3.8)
𝜎𝑟 𝜎𝑐

5. Kontras
Kontras adalah fitur yang digunakan untuk mengukur kekuatan perbedaan
intensitas dalam citra [8]. Nilai kontras membesar jika variasi intensitas citra
tinggi dan menurun bila variasi rendah. Persamaan yang digunakan untuk
mengukur kontras suatu citra ditunjukkan pada persamaan di bawah ini :
Kontras = ∑𝑘𝑖=1 ∑𝑘𝑗=1(𝑖 − 𝑗)2 𝑝𝑖𝑗 (3.9)
6. Homogenitas Homogenitas digunakan untuk mengukur kehomogenan variasi
intensitas citra [8]. Nilai homogenitas akan semakin membesar bila variasi

23
 intensitas dalam citra mengecil. Homogenitas dihitung dengan persamaan di
bawah ini :
𝑝𝑖𝑗
∑𝑘𝑖=1 ∑𝑘𝑗=1 (3.10
1+|𝑖−𝑗|

III. PERANCANGAN
Bab ini membahas mengenai perancangan dan system dalam proses deteksi
otomatis dengan menggunakan beberapa metode yang bertujuan untuk
membandingkan klasifikasi yang bekerja secara optimal, dengan tahapan-tahapan
seperti flowchart di bawah ini

Mulai

Studi Literatur

Pengumpulan
data

Validasi data
data
Perancangan
A
Algoritma

Analisa
24

Penulisan
laporan
 Coding

Pengujian

Tidak

Akurasi > 90
Spesifikasi > 90
Sensitivity>90
Ya

Gambar 3. 1 Flowchart pengerjaan TA

Pada Gambar 3.1 merupakan tahapan pengerjaan TA yaitu Studi Literatur sebelum nya,
Pengumpulan data citra yang akan di proses, Validasi data yang akan di proses apakah
sesuai, Perancangan algoritma merupakan metode apa yang akan digunakan, selanjut
nya coding dan pengujian , lalu disesuaikan dengan akurasi yang telah di tentukan apa
bila sesuai dengan parameter yang di tentukan maka dapat di lakukan nya Analisa
terhadap data yang di dapat, lalu penulisan laporan dan selesai.

3.1 Perancangan Arsitektur

3.1.1 Pengumpulan Data
Dalam pengumpulan data terdapat sumber data, sumber data yang terhimpun langsung
oleh peneliti disebut dengan sumber primer, sedangkan apabila melalui tangan kedua
disebut sumber sekunder . Data yang diperoleh adalah data sekunder karena diperoleh
dari STARE (Structured Analysis of the Retina). Pada Penelitian ini jumlah gambar
fundus retina ada 110 gambar berextension file jpg.

3.1.2 Rancangan Arsitektur Sistem

Peneliti mengusulkan arsitektur sistem seperti Gambar 3.2 . Penjelasan pada sub-bab
berikut memaparkan dengan lebih detail proses yang terjadi dalam setiap bagiannya

Pra-Pengolahan Segmentasi Fitur ekstrasi dan

seleksi
25
INPUT

Hasil Klasifikasi (DR atau Klasifikasi SVM

Tidak DR) Dan ANN

Gambar 3. 2 Arsitektur sistem

3.1.2.1 Pre-Pengolahan (Preprocessing)

Dalam Penelitian ini digunakan dua teknik Pre- Pengolahan sebagai berikut:
1. Perenggangan kontras.
Pada penelitian ini menggunakan perenggangan kontras untuk mendistribusi
piksel gelap dan terang. Citra keabuan dengan kontras yang rendah akan terlihat
terlalu gelap, terlalu terang, atau terlalu abu-abu. Dengan menggunakan fungsi.
𝐴(𝑖,𝑗)−𝑐
B(i,j) = (𝑑−𝑐)
(𝐿 − 1) (3.1)

Dengan B(i,j) dan A(i,j) berturut-turut menyatakan piksel sesudah dan sebelum
ditransformasi, c dan d menyatakan nilai minimum dan maksimum dari piksel citra
masukan serta L menyatakan nilai grayscale maksimum.

2. Filter median.
Pada Penelitian ini filter median bekerja dengan mengganti nilai suatu piksel
pada citra asal (pusat citra) dengan nilai median dari piksel citra asal tersebut
berdasarkan suatu lingkungan tetangga (window) yang diformulasikan :
f(x,y) = median {g(s,t)} (3.2)
(s,t) ∈ Sx,y
Dimana Sx,y merupakan suatu window. Pada umumnya ukuran window (Sx,y)
yang dipilih adalah bernilai ganjil. Jika Sx,y adalah genap, nilai tengahnya diambil
dari nilai ratarata dua buah piksel yang ditengah. Ukuran window yang biasa
digunakan yaitu 3x3, 5x5 dan 7x7.

26
3.1.2.2 Segmentasi
1. Thresholding.
Thresholding adalah proses mengubah citra berderajat keabuan menjadi citra
biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek
dan background dari citra secara jelas. Untuk keperluan segmentasi OD maka
digunakan metode thresholding global, menggunakan persamaan:
1 𝑖𝑓 𝑓(𝑥, 𝑦) > 𝑇
g(x,y) ={ (3.4)
0 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ 𝑇

3.1.3 Ekstraksi Fitur

3.1.3.1 Pembentukan GLCM

Penelitian ini mengggunakan GLCM multi arah (multiple) yang dibentuk
menggunakan jarak 2 pixel tetangga (d=2). Jarak 2 pixel tetangga dipilih karena
termasuk salah satu jarak ideal dalam membentuk GLCM [7]. Langkah – langkah
membentuk multiple GLCM dalam penelitian ini sebagai berikut :
1. Tetapkan jarak pixel (d) yang dinginkan.
2. Hitung semua arah yang mungkin.
3. Bentuk GLCM untuk setiap arah (menggunakan langkah – langkah membentuk
GLCM ).
4. Hitung semua ciri statistik untuk setiap arah yang terbentuk.
5. Hitung rata – rata (mean) dari setiap ciri pada semua arah yang terbentuk.
Jumlah arah yang terbentuk pada distance d=2 adalah 16, artinya terdapat 16
GLCM yang terbentuk (M1 sampai M16).

3.1.3.2 Ekstraksi ciri GLCM

Setelah GLCM terbentuk pada suatu jarak dan arah tertentu, maka langkah
selanjutnya adalah menghitung ciri statistik dari semua GLCM yang telah terbentuk
berdasarkan jarak dan arah yang telah terbentuk. Enam elemen yang diusulkan oleh [7]
adalah : maximum probability, entropi, energy, korelasi, kontras, dan homogenitas.

27
Proses ektraksi ciri dilakukan dengan menghitung 6 ciri statistik dari setiap GLCM (16
GLCM) sebagai berikut :
2. Max Probability = max( pij ) (3.5)
7. Entropi.
Entropi menunjukan ukuran ketidakteraturan distribusi intesitas suatu citra
pada matriks co-coccurence. Persamaannya untuk menghitung entropi adalah:
Entopi = ∑𝑘𝑖=1 ∑𝑘𝑗=1 𝑝𝑖𝑗log2 pij (3.6)

8. Energi.
Energi adalah fitur untuk mengukur konsentrasi pasangan intensitas pada
matriks cooccurance . yang digunakan untuk menghitung energi adalah :
Energi = ∑𝑘𝑖=1 ∑𝑘𝑗=1 𝑝2 𝑖𝑗 (3.7)
9. Korelasi.
Ciri ini menunjukan tingkat korelasi antar pixel dalam suatu citra.
Persamaannya adalah :
(𝑖−𝑚𝑟 )(𝑗−𝑚𝑐
∑𝑘𝑖=1 ∑𝑘𝑗=1 (3.8)
𝜎𝑟 𝜎𝑐

10. Kontras
Persamaan yang digunakan untuk mengukur kontras suatu citra ditunjukkan
pada persamaan di bawah ini :
Kontras = ∑𝑘𝑖=1 ∑𝑘𝑗=1(𝑖 − 𝑗)2 𝑝𝑖𝑗 (3.9)
11. Homogenitas
Homogenitas digunakan untuk mengukur kehomogenan variasi intensitas
citra.Homogenitas dihitung dengan persamaan di bawah ini :
𝑝𝑖𝑗
∑𝑘𝑖=1 ∑𝑘𝑗=1 (3.10)
1+|𝑖−𝑗|

Untuk melakukan klasifikasi terhadap fase DR, maka hasil proses ektraksi ciri
statistik selanjutnya akan dijadikan sebagai data masukan untuk dilatih dengan jaringan
syaraf tiruan (JST) untuk mengenali pola inputan serta pasangan pola outputnya.

28
3.1.4 Klasifikasi
Menggunakan ANN dan SVM pada software weka 6.2 dengan melakukan pelatihan
secara berulang untuk mendapat kan nilai bobot tiap node ANN dan SVM (hyperplane)
nya dan data akan dibagi menjadi data training dan data test, dengan menggunakan 110
citra fundus mata yang ada, kemudian akan dibandingkan performa kedua klasifikasi
tersebut sehinggan dapat diketahui klasifikasi yang paling cocok untuk mendeteksi
penyakit Diabetic Retinophaty.

3.1.5 Metode Evaluasi

3.1.5.1 Confution Matrik

Confusion matrix adalah suatu metode yang biasanya digunakan untuk melakukan
perhitungan akurasi pada konsep data mining
Table 3. 1 Confution Matrik

Klasifikasi Klasifikasi
Penyakit
DR Normal
DR A BA
Normal AB B

Pada Table 3.1 menjelaskan A adalah jumlah record yang diklasifikasikan sebagai
DR,AB adalah jumlah record Normal yang diklasifikasikan sebagai Normal, BA
adalah jumlah record DR yang diklasifikasikan sebagai Normal, B adalah jumlah
record Normal yang diklasifikasikan sebagai Normal, kemudian masukkan data uji.

3.1.5.2 Akurasi
Persentasi ketepatan data yang di klasifikasikan secara benar setekah di lakukan
pengujian pada hasil klasifikasi ( Han & Kamber, 2006).

29
3.1.5.3 Spesifikasi
Proporsi kasus yang diprediksi positif yang juga positif benar pada data yang sebenar
nya.

3.1.5.4 Sensitifikasi
Proporsi kasus positif yang sebenarnya yang diprediksi positif secara benar (Powers ,
2011).

30
 IV. JADWAL DAN ANGGARAN BIAYA

4.1 Jadwal
Penulis membuat jadwal pengerjaan tugas akhir yang bertujuan agar penggunaan
waktu lebih efektif dan sesuai dengan metodologi yang digunakan. Ada pun jadwalnya
terlihat pada tabel berikut.

Table 4. 1 Jadwal Pelaksanaan Proyek Akhir

Tahun

Kegiatan 2018 2019

.

April
April

Agus

Mar
Mar

Mei
Jun
Feb

Feb
Jul
1 Bimbingan

2 Pembuatan Proposal

3 Perancangan Sistem

4 Pengajuan Proposal

5 Sidang Proposal

6 Pelengkapan Alat

7 Pengukuran/Prediksi

8 Perbaikan / Penyempurnaan

9 Pembuatan Laporan PA

31
 10 Pengajuan Sidang Akhir

11 Sidang Akhir

4.2 Perkiraan Biaya

Pada perkiraan biaya agar proyek akhir dapat berjalan dengan lancar dan sesuai
dengan metodologi yang digunakan, penulis membutuhkan biaya untuk peralatan yang
dibutuhkan dalam mengerjakan proyek akhir ini. Adapun peralatan serta biaya yang
digunakan sebagai berikut.
Table 4. 2 Perkiraan Biaya

No Nama Barang Jumlah Harga/Ket

1 Software Matlab 1 Milik Pribadi
2. PC/Laptop 1 Milik Pribadi

32
 DAFTAR PUSTAKA

Azhar, E. (2013). Penggunaan Artificial Neural Network Untuk Mendeteksi Mata

Miopi Pada Manusia Dengan Metode Backpropagation. 88-101.
Diyah, P. (Yogyakarta). Pengantar Jaringan Syaraf Tiruan. Andi.
Fausett , L. (1994). Fundamentals Of Neural Network. New Jersey : Prentice Hall.
Kusuma, D. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Graha ilmu.
Kusuma, D. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan
Excel Link. Graha Ilmu, Yogyakarta.
Nurul , H. (2007/2008). Identifikasi Retina Mata Manusia Menggunakan Sistem
Infersensi Neuron Fuzzy Adaptif. 1 - 65.
Ripley, B. D. (1996). Pattern Recognittion and Neural Network. Cambridge:University
Press.
Rocky, Y. D., & Agus, H. (2012). Klasifikasi Fase Retinopati Diabetes Menggunakan.
IJCCS, 7(1), 23-34.
Rudianto. (2016). Penentuan Penyakit Peradangan Hati Dengan. Indonesian Journal
on Computer and Information Technology, 1(1), 27-33.
Shreya, A., Vrinda , S., Tanisha, G., Parul, K., & Deepti , M. (2017). Diagnosis of
Diabetic Nature of a Person using SVM. IEEE, 338-342.
Siang. (2009). Jaringan Syaraf Triuan dan Pemrograman Menggunakan Matlab.
Penerbit Andi.
Usep, T. S. (2015). Komparasi Support Vector Machine Dan Neural Network Untuk
Prediksi Kelulusan Sertifikasi Benih Kentang. ISSN, 308-314.
Wahyudi , S., Kusworo , A., & Aris , S. (2012). Sistem Deteksi Retinopati Diabetik
Menggunakan Support Vector Machine. Sistem Informasi Bisnis, 109-116.

33
Yellien , R. M., Laya, R., & Vera Sumual. (2014). PREVALENSI RETINOPATI
DIABETIK PADA PENDERITA DIABETES MELITUS DI BALAI
KESEHATAN MATA MASYARAKAT (BKMM) PROPINSI SULAWESI UTARA
PERIODE JANUARI – JULI 2014. Sulawesi Utara.

34