Analisis Perbandingan KNN dengan SVM untuk Klasifikasi Penyakit Diabetes Retinopati berdasarkan Citra Eksudat dan Mikroaneurisma

Abstract

ABSTRAKPenelitian mengenai pengklasifikasian tingkat keparahan penyakit Diabetes Retinopati berbasis image processing masih hangat dibicarakan, citra yang biasa digunakan untuk mendeteksi jenis penyakit ini adalah citra optik disk, mikroaneurisma, eksudat, dan hemorrhages yang berasal dari citra fundus. Pada penelitian ini telah dilakukan perbandingan algoritma SVM dengan KNN untuk klasifikasi penyakit diabetes retinopati (mild, moderate, severe) berdasarkan citra eksudat dan microaneurisma. Untuk proses ekstraksi ciri digunakan metode wavelet pada masing-masing kedua metode tersebut. Pada penelitian ini digunakan 160 data uji, masing-masing 40 citra untuk kelas normal, kelas mild, kelas moderate, kelas saviere. Tingkat akurasi yang diperoleh dengan menggunakan metode KNN lebih tinggi dibandingkan SVM, yaitu 65 % dan 62%. Klasifikasi dengan algoritma KNN diperoleh hasil terbaik dengan parameter K=9 cityblock. Sedangkan klasifikasi dengan metode SVM diperoleh hasil terbaik dengan parameter One Agains All.Kata kunci: Diabetic Retinopathy, KNN , SVM, Wavelet. ABSTRACT Research based on severity classification of the disease diabetic retinopathy by using image processing method is still hotly debated, the image is used to detect the type of this disease is an optical image of the disk, microaneurysm, exudates, and bleeding of the image of the fundus. This study was performed to compare SVM method with KNN method for classification of diabetic retinopathy disease (mild, moderate, severe) based on exudate and microaneurysm image. For feature extraction uses wavelet method, and each of the two methods. This study made use of 160 test data, each of 40 images for normal class, mild class, moderate class, severe class. The accuracy obtained by KNN higher than SVM, with 65% and 62%. KNN classification method achieved the best results with the parameters K = 9, cityblock. While the classification with SVM method obtained the best results with parameters One agains all .Keywords: Diabetic Retinopathy, KNN, SVM, Wavelet.

One-Lead Electrocardiogram for Biometric Authentication using Time Series Analysis and Support Vector Machine

“…2 shows several patterns as the members of two classes. Line-1 and Line-2 are the examples of various discrimination boundaries [22] to obtain the best hyperplane. For the linear SVM used in this study, the equation of Line-1 and Line-2 were obtained by the following approach [23]:…”

“…From the results of this test, the average values of sensitivity and specificity were found at 93.1% and 99.32% respectively. The value of accuracy is also highly affected by the use of the Hjorth Descriptor itself that is being prone to the noise [22] and it can affect the value of activity or variance. Thus, in the further study, it is deemed necessary to do the denoising at the preprocessing stage without removing the information or characteristics of the ECG signal.…”

Abnormal ECG Classification using Empirical Mode Decomposition and Entropy

“…Another well-known supervised learning strategy is KNN, which assigns a classification to a data point based on the proportion of its neighbors [39] [40]. It chooses…”

Deteksi Kantuk pada Pengemudi Berdasarkan Penginderaan Wajah Menggunakan PCA dan SVM

“…SVM adalah sebuah metode linier yang digunakan pada feature space berdimensi tinggi [22]. SVM banyak digunakan sebagai metode untuk mengklasifikasikan 2 buah kelas karena metode ini memiliki konsep dengan tujuan untuk menemukan hyperplane terbaik sehingga metode ini lebih efisien untuk dijadikan sebagai classifier [23], [24]. Dalam kasus pemisahan dua data, data dapat dengan mudah dipisahkan oleh satu garis dengan persamaan y = ax + b. Maka apabila data yang ingin dipisahkan lebih dari dua, kita dapat menggunakan hyperplane.…”