KLASIFIKASI GLAUKOMA MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION

Endi Permata, Ri Munarto, Indra Ginanjar A.T

Sari


Glaukoma merupakan penyakit pada retina yang disebabkan oleh tingginya tekanan intraokular. Tekanan intraokular pada penderita glaukoma bisa mencapai 60-70mmHg. Penyakit ini ditandai dengan semakin besarnya ukuran cup to disc ratio (CDR). Penyakit glaukoma mempunyai tiga tingkatan yaitu ringan (mild) dengan nilai CDR 0,3-0,5, sedang (moderate) dengan nilai CDR 0,5-0,7 dan parah (severe) dengan nilai CDR diatas 0,7. Untuk analisis retina dan menghitung  nilai CDR yang diambil dari kamera fundus, harus dilakukan oleh dokter mata ahli, namun membutuhkan waktu cukup lama. Oleh karena itu, deteksi ciri dan perhitungan nilai CDR otomatis diharapkan dapat membantu dokter dalam menganalisis penyakit glaukoma. Data yang digunakan sebanyak 60 citra fundus retina yang terdiri dari 20 citra glaukoma ringan, 20 citra glaukoma sedang dan 20 citra glaukoma parah yang diambil dari Rumah Sakit Mata Nasional Cicendo Bandung dan Jakarta Eye Center. Metode yang digunakan untuk mengklasifikasi tingkat glaukoma adalah jaringan saraf tiruan backpropagation. Hasil simulasi pengujian dengan menggunakan software MATLAB R2014b didapatkan nilai akurasi kelas mild sebesar 99% dengan sensitivity 99% dan specificity 97,5%. Akurasi kelas moderate sebesar  85%  dengan  sensitivity 85%  dan  specificity 99%.  Akurasi  kelas  severe sebesar  99%  dengan sensitivity 99% dan specificity 98%. Nilai akurasi rata-rata sistem klasifikasi glaukoma adalah 94,2%.

Teks Lengkap:

PDF (English)

Referensi


Ahmed Almazron, Ritambhar Burman, Kaamran

Raahemifar, Vasudevan Lakshinarayanan. 2015. Optic

Disc and Optic Cup Segmentation Methodologies for

Glaucoma Image Detection: A Survey: Journal of

Opthalmology.

Apeksha Padaria, Bhailal Limbasiya. 2015. Detection of

Glaucoma Using Retinal Fundus Images with Gabor

Filter. Department of Computer Science &

Engineering, Parul Institute of Technology:

International Journal of Advance Engineering and

Research Development.

Chalinee Burana-Anusorn, Kanokvate Tungpimolrut,

Toshiaki Kondo, Waree Kongprawechnon, dan Sunisa

Sintuwong. 2013. Image Processing Techniques for

Glaucoma Detection Using the Cup-to-Disc Ratio.

Thammasat: International Journal of Science and

Technology

Chandrashekar Chaithra, J.Chandrika, B.Ramesh.

Comparative Study on the Detection and

Classification of Glaucoma Images: International

Journal of Engineering, Economics and Management

Cut Maisyarah Karyanti, Sigit Widiyanto, Aries Muslim,

Ruddy J. Suhatril. Analisis dan Pengolahan Citra

Medis. Jakarta: Universitas Gunadarma.

Gonzales Rafael C, Richard E Woods. Digital Image

Processing Third Edition. United States of America:

Prentice Hall Pearson Education International.

Hafsah Ahmad, Aqsa Shakeel, Syed Omer Gillani, Umer

Ansari, Abubakar Yamin. 2014. Detection of

Glaucoma Using Retinal Fundus Images Images.

Islamabad Pakistan: IEEE.

Image Processing Toolbox User’s Guide Matlab R2014b.

Iwan Manalu, Anggoro Suryo Pramudyo dan Siswo

Wardoyo. 2015. Klasifikasi Retinopati Diabetik

Menggunakan Jaringan Saraf Tiruan

Backpropagation. Cilegon: Tugas Akhir Jurusan

Teknik Elektro Universitas Sultan Ageng Tirtayasa.

Kadir, Abdul. 2013. Pengolahan Citra Teori dan

Aplikasinya. Yogyakarta: Penerbit ANDI.

Kumaseh, Luther, Nelson. “Segmentasi Citra Digital Ikan

Menggunakan Metode Thresholding”. Universitas

Sam Ratulangi.

Kusumadewi, Sri. 2003. Artificial Intelligent (Teknik dan

Aplikasinya). Yogyakarta: Penerbit GRAHA ILMU.

Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan

Algoritmik. Bandung: Penerbit Informatika.

National Eye Institute (NEI). Tersedia dari:

https://www.nei.nih.gov. [Di akses 9 Januari 2016

pukul 20.00]

Oktaviani, Dini. 2015. Neural Network Implementation in

Foreign Exchange Kurs Prediction. Jakarta: Tugas

Akhir Universitas Gunadarma Jakarta.

Prasetyo, Eko. 2011. Pengolahan Citra Digital dan

Aplikasinya Menggunakan Matlab. Yogyakarta:

Penertbit ANDI.

Preeti, Jyotika Pruthi. 2013. Review of Image Processing

Technique for Glaucoma Detection. India:

International Journal of Computer Science and Mobile

Computing.

PSJ Kumar, Sukanya Banerjee. 2014. A Survey on Image

Procesing Technique for Glaucoma Detection:

International Journal of Advance Research in

Computer Engineering & Technology (IJARCET).

Pusat Data dan Informasi Kementrian Kesehatan Republik

Indonesia. 2015. Situasi dan Analisis Glaukoma.

Jakarta: Kementrian Kesehatan Republik Indonesia.

Putra, Darma. 2010. Pengolahan Citra Digital.

Yogyakarta: Penerbit ANDI.

Samanta Sourav, Sk. Saddam Ahmed, Mohammed AbdelMegeed M. Salem, Siddharta Sankar Nath, Nilanjan

Dey, Sheli Sinha Chowdhury. 2014. Haralick Feature

Based Automated Glaucoma Classification Using

Backpropagation Neural Network. Switzerland:

FICTA.

Septiarini Anindita, Agus Harjoko. 2015. Automatic

Glaucoma Detection Based On the Type of Features

Used: A Review: Journal of Theoretical and Applied

Information Technology.

Syed Akhter Hussain, Holambe A.N. 2015. Automated

Detection and Classification of Glaucoma from Eye

Fundus Image: A Survey. India: International Journal

of Computer Science and Information Technology.

WHO. 2006-2011. Vision 2020 The Right to Sight. France.

IAPB.

Widya Arfini, Dani. 2011. Glaucoma Caused Blindness

with Its Characteristic in Cipto Mangunkusomo

Hospital. Jakarta: Jurnal Oftalmologi Indonesia.


Refbacks

  • Saat ini tidak ada refbacks.