PENGEMBANGAN MODEL OPTIMASI UNTUK PENGKLARIFIKASIAN CITRA KELAINAN RETINA

ERWIN, ERWIN and Saparudin, Saparudin (2019) PENGEMBANGAN MODEL OPTIMASI UNTUK PENGKLARIFIKASIAN CITRA KELAINAN RETINA. Doctoral thesis, Sriwijaya University.

[thumbnail of RAMA_21001_03043681621002_0012046906.pdf] Text
RAMA_21001_03043681621002_0012046906.pdf - Accepted Version
Restricted to Repository staff only

Download (9MB) | Request a copy
[thumbnail of RAMA_21001_03043681621002_0012046906_TURNITIN.pdf] Text
RAMA_21001_03043681621002_0012046906_TURNITIN.pdf - Accepted Version
Restricted to Repository staff only

Download (59MB) | Request a copy
[thumbnail of RAMA_21001_03043681621002_0012046906_01_front_ref.pdf]
Preview
Text
RAMA_21001_03043681621002_0012046906_01_front_ref.pdf - Accepted Version

Download (1MB) | Preview
[thumbnail of RAMA_21001_03043681621002_0012046906_02.pdf] Text
RAMA_21001_03043681621002_0012046906_02.pdf - Accepted Version
Restricted to Repository staff only

Download (1MB) | Request a copy
[thumbnail of RAMA_21001_03043681621002_0012046906_03.pdf] Text
RAMA_21001_03043681621002_0012046906_03.pdf - Accepted Version
Restricted to Repository staff only

Download (830kB) | Request a copy
[thumbnail of RAMA_21001_03043681621002_0012046906_04.pdf] Text
RAMA_21001_03043681621002_0012046906_04.pdf - Accepted Version
Restricted to Repository staff only

Download (1MB) | Request a copy
[thumbnail of RAMA_21001_03043681621002_0012046906_05.pdf] Text
RAMA_21001_03043681621002_0012046906_05.pdf - Accepted Version
Restricted to Repository staff only

Download (208kB) | Request a copy
[thumbnail of RAMA_21001_03043681621002_0012046906_06_ref.pdf] Text
RAMA_21001_03043681621002_0012046906_06_ref.pdf - Accepted Version
Restricted to Repository staff only

Download (226kB) | Request a copy
[thumbnail of RAMA_21001_03043681621002_0012046906_07_lamp.pdf] Text
RAMA_21001_03043681621002_0012046906_07_lamp.pdf - Accepted Version
Restricted to Repository staff only

Download (5MB) | Request a copy

Abstract

Biometrik merupakan teknologi yang menggunakan karakteristik biologis untuk mengindentifikasi individu. Retina menjadi salah satu karakteristik yang bersifat unik dan dapat digunakan untuk diagnosis penyakit ophthalmologic. Tahapan proses pengklasifikasian citra kelainan retina dimulai dengan segmentasi, ekstraksi fitur dan klasifikasi. Pengembangan model optimasi pada tahap segmentasi dibangun dengan menggabungkan metode multilevel thresholding dan improved harmony search algorithm(MT-IHSA). Setelah proses segmentasi, proses berikutnya dilanjutkan dengan proses enhancement dengan melakukan penyesuaian intensitas secara otomatis dengan menggunakan pemerataan histogram dan dilakukan secara parsial untuk foreground yang menjadi fokus ciri suatu kelas penyakit yang dinamakan parsial foreground histogram equalization. Tahapan berikutnya, dilakukan ekstraksi fitur dengan mengunakan ekstraksi bentuk, tekstur dan warna. Selanjutnya, dilakukan pengklasifikasian citra dengan metode Convolution Neural Network(CNN). Pengujian setiap tahapan menggunakan dataset DRIVE dan STARE dan 5(lima) kelas penyakit, yaitu Central Retinal Vein Occlusion, Normal, Background Diabetic Retinopathy, Proliverative Diabetic Retinopathy dan Coats. Segmentasi yang dihasilkan oleh MT-IHSA memberikan output yang sangat baik. Semakin tinggi thresholding yang diberikan, maka nilai PSNR semakin tinggi yaitu untuk thresholding 2, 3, 4, dan 5 berturut-turut nilai PSNR adalah 38,602; 39,628; 41,032 dan 42,107. Nilai rata-rata empat parameter pada proses ekstraksi fitur yang lebih besar dari kelima penyakit setelah diuji yaitu penyakit Central Retinal Vein Occlusion dengan kontras = 0,312, korelasi = 0,978, energi = 0,197, serta homogenitas = 0,926 dan nilai rata-rata yang lebih kecil yaitu penyakit Proliverative Diabetic Retinopathy dengan kontras = 0,211, korelasi = 0,980, energi = 0,148 serta homogenitas = 0,928. Hasil klasifikasi penyakit kelainan retina dengan CNN diperoleh, untuk thresholding level 2(Th2), specificity mencapai 100% karena tidak terdapat kesalahan dalam hasil klasifikasi, sedangkan untuk sensitivity menghasilkan nilai 60% disebabkan ada 2 citra yang salah mendeteksi kelas BDR dan nilai akurasi mencapai 92%. Percobaan klasifikasi untuk 3 level sudah mencapai masing-masing 100% untuk specificity, sensitivity dan akurasi.

Item Type: Thesis (Doctoral)
Uncontrolled Keywords: Convolution Neural Network, Enhancement, Ekstraksi Fitur, Improved Harmony Search Algorithm, Klasifikasi, Multilevel Thresholding, Segmentasi
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1501-1820 Applied optics. Photonics > TA1632.B35 Image processing--Digital techniques. Pattern recognition systems
Divisions: 03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User: Prodi S3-Ilmu Teknik (21001)
Date Deposited: 01 Oct 2019 05:47
Last Modified: 10 Oct 2019 02:49
URI: http://repository.unsri.ac.id/id/eprint/9526

Actions (login required)

View Item View Item