Cara kerja
Dalam confusion matrix terdapat 4 istilah yaitu: True Negative (TN),
True Positive (TP), False Negative (FN), dan False Positive (FP).
Misalkan terdapat 2 kelas yaitu mata normal dan mata katarak. Lalu mata
katarak dilabeli dengan kelas positif dan mata normal dengan kelas
negatif. Sehingga True Negative (TN) adalah jumlah mata normal yang
diprediksi benar sebagai mata normal. True Positive (TP) dalah jumlah
mata katarak yang diprediksi benar sebagai mata katarak. False Negative
(FN) adalah jumlah mata katarak yang diprediksi salah sebagai mata
normal. False Positive (FP) adalah jumlah mata normal yang diprediksi
alah sebagai mata katarak.
Pre-processing Data
klasifikasi terhadap citra yang berjenis mata normal, katarak, dan
degenerasi makula atau Age-Related Macular Degeneration (AMD).
Sehingga data yang digunakan hanya data dengan label mata AMD,
katarak, dan normal. Jumlah data yang digunakan berjumlah 600 dapat
dilihat pada Gambar 10.
belum dilakukan proses Histogram equalization maupun CLAHE
dilakukan resize terhadap data untuk mengurangi beban komputasi.
Splitting data
Gambar yang telah dilakukan preprocessing dibagi sebagai data train dan
testing dengan persentase masing-masing sebesar 80% dan 20% dipilih
secara acak. Dari data train akan dibagi sebagai data train dan validation
dengan persentase masing-masing sebesar 80% dan 20% secara acak.
Pembagian dataset dapat dilihat pada Gambar 12
kesimpulan kesimpulan yang dapat diambil dalam penelitian ini adalah (1)
Convolutional Neural Network (CNN) dengan arsitektur Inception-V3
dapat digunakan untuk prediksi katarak berdasarkan citra digital
funduskopi dengan sangat baik. (2) Dalam Penelitian ini performansi
hasil terbaik implementasi model CNN dengan arsitektur Inception-V3
menggunakan preprocessing Contrast Limited Adaptive Histogram
Equalization (CLAHE) dengan Fine Tuning. Performansi terbaik
ditunjukkan dengan nilai akurasi sebesar 98,33%
jurnal Idiopathic Macular Hole yang Terjadi setelah Pembedahan Katarak dengan
Teknik Fakoemulsifikasi: Laporan Kasus
Latar Macular hole (MH) hingga saat ini masih tidak diketahui penyebab
belakang pastinya ataupun mekanisme dasar terjadinya MH.
Macular hole dikategorikan oleh IVTS atas lima stadium (Gambar 3), yaitu
stadium 0, 1A dan 1B, 2, 3, dan 4 (Gambar 3). 1
Kesimpulan Pemeriksaan dengan OCT mendapatkan intraretinal fluid dengan gambaran
kista multipel pada lapisan retina disertai penebalan retina. Diagnosis
ditegakkan sebagai macular hole stadium 3 dengan vitreomacular traction.
Pasien disarankan untuk dilakukan vitrektomi pars plana (VPP). Hasil
pemeriksaan OCT menunjukkan penutupan dari macular hole dan 1
minggu paska operasi tajam penglihatan menjadi 6/12 walaupun masih
terdapat tanda-tanda metamorphopsia ringan
Operasi erosi
Pada operasi ini, ukuran objek diperkecil dengan mengikis sekeliling objek.
Semakin besar ukuran SE yang digunakan maka hasil yang akan didapatkan
akan semakin kecil. Begitu juga bila proses erosi dilakukan secara berulang-
ulang, aka akan terus mengecilkan objek meskipun hanya menggunakan SE
yang berukuran kecil
OPERA CLOSING
perasi Closing adalah kombinasi antara operasi dilasi dan erosi yang
dilakukan secara berurutan.
METODE Pada proses cropping, awalnya citra uji memiliki ukuran pixel 1280x1280
PENELITIA selanjutnya dilakukan proses pemotongan agar bagian objek yang di inginkan
N lebih terfokus dan membuang bagian gambar yang tidak diperlukan dengan
ukuran 1000x1000
SEGMENTASI CITRA
Segmentasi yang digunakan adalah metode operasi morfologi dilasi dan
opening
penurunan nilai di seluruh dunia. Diagnosis yang akurat dan tepat waktu
mengambil
(katarak nuklir),
diagnosis kesehatan
pengenalan retina , dan deteksi kelainan.
disk tidak terlihat jelas pada Gambar 4(a) dan (b). Sebaliknya, Gambar 4
detailnya
dari lapisan ketiga mencapai trade-off antara kontras dan distorsi, yang
Jurnal Klasifikasi Tumor Otak pada Citra Magnetic Resonance Image dengan
Menggunakan Metode Support Vector Machin
Tumor pada otak dapat dideteksi dengan cara melalui pemeriksaan Magnetic Resonance
Imaging (MRI) yang menggunakan alat medis. Setelah pasien menjalani proses
pemeriksaan, dokter spesialis radiologi akan menganalisis dan mengambil kesimpulan dari
citra yang dihasilkan oleh alat medis tersebut
Pengolahan Citra digital merupakan suatu bentuk pemrosesan atau pengolahan sinyal
dengan masukan berupa gambar (image) dan ditransformasikan menjadi gambar lain
sebagai keluarannya dengan menggunakan teknik-teknik tertentu
. Fitur ekstraksi yang digunakan yaitu tekstur fitur dengan menggunakan Gray Level Co-
occurance Matrix (GLCM). GLCM merupakan suatu metode untuk melakukan ekstraksi ciri
berbasis statistikal, perolehan ciri diperoleh dari nilai matriks yang mempunyai nilai
tertentu dan membentuk sudut pola. Untuk sudut yang dibentuk dari nilai piksel citra
menggunakan GLCM adalah 0º, 45º, 90º, 135º
Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik
yang berfungsi sebagai pemisah dua buah kelas pada input space. Pattern yang merupakan
anggota dari dua buah kelas: +1 dan -1 dan berbagi alternatif garis pemisah (discrimination
boundaries)
METODE
DATA : Dataset
otak yang akan digunakan didapatkan dari “Brain Tumor Images Datase
Image Pre-Processing
Digunakan proses automatic cropping ini adalah untuk membantu meningkatkan hasil
akurasi pada saat proses klasifikasi. Sehingga proses automatic cropping akan sangat
membantu untuk mendapatkan hasil akurasi yang optimal.
Thresholding merupakan proses konversi citra grayscale menjadi citra biner atau hitam
putih. Nilai threshold yang digunakan yaitu 45 dari 255 yang bertujuan untuk
mengklasifikasikan nilai piksel tersebut. Jika nilai piksel pada citra melebihi 45, maka nilai
piksel tersebut memiliki nilai yang ditetapkan yaitu 255.
Dibutuhkan 7 fitur yang diperoleh dari gambar tersebut. 7 fitur tersebut yaitu : Contrast,
Correlation, Energy, Dissimilarity, ASM (Angular Second Moment), Homogeneity, dan
Entropy. Setelah didapatkan 7 fitur tersebut, kemudian hasil tersebut disimpan ke dalam
bentuk .CSV agar dengan mudah dibaca dan diolah ke dalam machine learning.
HASIL Image Pre-Processing
Gambar 5(b) terlihat citra yang telah diberikan efek blurring. Dikarenakan citra tersebut
hanya memiliki sedikit noise, maka noise tersebut cukup dihilangkan dengan Gaussian Blur
saja
Hasil yang didapatkan pada kedua tipe tersebut, tipe C-SVM memiliki nilai gamma yang
semakin besar nilainya maka hasil akurasinya akan semakin kecil. Sedangkan untuk
spesifikasi dan presisi pada gamma 0.5 memiliki nilai yang cukup baik, sedangkan untuk
gamma 0.7 memiliki nilai spesifikasi dan presisi yang kurang baik
Sehingga hasil akurasi terbaik pada tipe C-SVM menghasilkan akurasi sebesar 0.76 dengan
menggunakan kernel linear dan RBF dengan gamma 0.5. Dan untuk nilai spesifikasi dan
presisi terbaik berada pada kernel RBF dengan nilai spesifikasi 0.81 dan presisi 0.83.
Sehingga secara keseluruhan, kernel RBF yang mendapatkan nilai spesifikasi, presisi dan
akurasi yang paling baik. Sedangkan untuk tipe Nu-SVM yang memiliki nilai gamma
terbesar, justru memiliki tingkat akurasi 0.64. Dan nilai gamma 0.5 memiliki tingkat akurasi
sebesar 0.64 dan 0.72. Sedangkan pada gamma 0.5 memiliki nilai spesifikasi dan presisi
yang cukup baik dibandingkan dengan gamma 0.7. Sehingga hasil akurasi terbaik pada tipe
Nu-SVM menghasilkan akurasi sebesar 0.72 dengan menggunakan kernel polynomial dan
gamma 0.5. Sedangkan untuk hasil spesifikasi dan presisi terbaik diperoleh dari kernel
linear dengan spesifikasi sebesar 0.70 dan presisi 0.75. Dari kedua hasil tersebut, dengan
nilai gamma 0.5 dapat memiliki tingkat akurasi yang cukup baik. Hasil klasifikasi tersebut
dapat dilihat pada Tabel 3
KESIMPULAN Dikarenakan hasil akurasinya masih berada di jangkauan cukup baik, maka bisa
ditambahkan metode yang lain pada proses ekstraksi fitur. Serta pada proses pembelajaran
bisa dilakukan kombinasi antara SVM dengan model yang lain seperti fuzzy atau CNN
sehingga hasil yang diharapkan bisa didapatkan. Diharapkan untuk penelitian selanjutnya
dapat mencoba untuk mengklasifikasi tumor otak dengan menggunakan data Diffusion
Tensor Imaging (DTI) dan metode untuk fiturnya bisa dicoba menggunakan shape texture.
Kemudian data tersebut bisa dilakukan proses pembelajarannya dengan menggunakan
SVM maupun CNN atau machine learning yang lain