Klasifikasi tingkat keparahan Retinopati Diabetik berdasarkan ekstraksi fitur citra Fundus Retina menggunakan Gray Level Co-Occurrence Matrix (GLCM)

Salamah, Siti (2022) Klasifikasi tingkat keparahan Retinopati Diabetik berdasarkan ekstraksi fitur citra Fundus Retina menggunakan Gray Level Co-Occurrence Matrix (GLCM). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (17kB) | Preview
	Text (ABSTRAK) 2_abstrak.pdf Download (106kB)
	Text (DAFTAR ISI) 3_daftarisi.pdf Download (108kB)
	Text (BAB I) 4_bab1.pdf Download (157kB)
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (4MB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (529kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (6MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (90kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (172kB) | Request a copy

Abstract

Retinopati diabetik adalah penyakit yang menyerang bagian retina dan menyebabkan kebutaan utama secara global akibat komplikasi dari diabetes melitus. Sebanyak 285 juta orang dengan diabetes melitus di seluruh dunia, sepertiga dari jumlah tersebut memiliki tanda-tanda retinopati diabetik dan mengancam penglihatan. Penentuan tingkat keparahan dari retinopati diabetik yang akurat sangat penting untuk menentukan prognosis dan pengobatan yang efektif. Penentuan tingkat keparahan dari retinopati diabetik secara manual oleh dokter memiliki keterbatasan karena karakteristik dari retinopati diabetik sendiri sulit dibedakan secara langsung. Pemilihan fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM) diusulkan untuk dapat menentukan tingkat keparahan dari retinopati diabetik berdasarkan fitur-fitur yang diekstrak pada citra fundus retina. Sebanyak 364 citra fundus retina bersumber dari repositori Indian Diabetic Retinopathy Image Dataset (IDRiD) digunakan. Proses penelitian terdiri dari segmentasi, ekstraksi fitur, dan klasifikasi. Sebanyak tiga belas fitur GLCM yang berhasil diekstrak digunakan untuk proses pelatihan sistem dengan Support Vector Machine (SVM) dan Random Forest (RF) Akurasi, sensitivitas, dan spesifitas dari sistem klasifikasi SVM berturut-turut 95.43%, 91.27%, dan 96.90%, Sedangkan untuk RF berturut-turut 94.20%, 86.73%, dan 96,90%.

Actions (login required)

View Item