Disertasi berjudul " Pengembangan Model Optimasi untuk Pengklasifikasian Citra Kelainan Retina "

Erwin, Erwin (2019) Disertasi berjudul " Pengembangan Model Optimasi untuk Pengklasifikasian Citra Kelainan Retina ". Doctoral thesis, Sriwijaya University.

[thumbnail of Desertasi Erwin.pdf]
Preview
Text
Desertasi Erwin.pdf

Download (74MB) | Preview

Abstract

ENGEMBANGAN MODEL OPTIMASI UNTUK PENGKLASIFIKASIAN CITRA KELAINAN RETINA Karya tulis ilmiah berupa Disertasi, 19 Juli 2019 Erwin, dibimbing oleh Prof. Drs. Saparudin, M.T., Ph.D Program Studi Ilmu Teknik Program Doktor, Fakultas Teknik Universitas Sriwijaya xv + 150 halaman, 41 tabel, 50 gambar 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. Kata Kunci: Convolution Neural Network, Enhancement, Ekstraksi Fitur, Improved Harmony Search Algorithm, Klasifikasi, Multilevel Thresholding, Segmentasi

Item Type: Thesis (Doctoral)
Subjects: Q Science > Q Science (General) > Q334-342 Computer science. Artificial intelligence. Algorithms. Robotics. Automation.
Divisions: 09-Faculty of Computer Science > 56201-Computer Systems (S1)
Depositing User: Dr Erwin Erwin
Date Deposited: 23 Sep 2022 10:09
Last Modified: 23 Sep 2022 10:09
URI: http://repository.unsri.ac.id/id/eprint/79516

Actions (login required)

View Item View Item