Identifikasi Potensi Glaukoma dan Diabetes Retinopati Melalui Citra Fundus Menggunakan Jaringan Syaraf Tiruan

Rivan, Muhammad Ezar Al; Juangkara, Tegar

doi:10.35957/jatisi.v6i1.158

Cited by 5 publications

(7 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Metode yang diusulkan dalam penelitian tersebut adalah Jaringan Syaraf Tiruan. Hasilnya, akurasi yang diperoleh dari pengujian sistem rata-rata sebesar 91,06% (Al Rivan & Juangkara, 2019). metode ini memiliki sejumlah kelebihan, di antaranya memiliki kemampuan komputasi yang sederhana dan metode ini hanya menghitung representasi fitur lokal sehingga tahan terhadap perubahan iluminasi cahaya (Nanni, dkk, 2010).…”

Section: Pendahuluanunclassified

Deteksi Glaukoma pada Citra Fundus Retina menggunakan Metode Local Binary Pattern dan Support Vector Machine

NURFAJAR

MAGDALENA²,

SA’IDAH³

2022

ELKOMIKA

View full text Add to dashboard Cite

ABSTRAKGlaukoma merupakan sebuah penyakit yang menyerang indera penglihatan dan dapat mengakibatkan kebutaan yang bersifat permanen. Meskipun penyakit ini tidak bisa disembuhkan, tetapi gejala kerusakannya dapat diminimalkan dengan melakukan pendeteksian secara dini. Deteksi glaukoma dapat dilakukan secara manual oleh oftalmologis, tetapi metode ini terbilang subyektif sebab hasil pengamatannya bergantung pada domain pengetahuan dokter, sementara di sisi lain teknik pencitraan medis modern, seperti OCT, CSLO, dan HRT berbiaya tinggi dan ketersediaan perangkatnya relatif terbatas. Pada penelitian ini, sebuah sistem berbasis machine learning untuk mendeteksi glaukoma pada citra fundus retina telah dirancang melalui proses pengolahan citra digital menggunakan metode Local Binary Pattern dan Support Vector Machine. Performansi sistem diuji pada 146 citra fundus yang terdiri dari citra fundus sehat dan glaukoma. Dengan menggunakan metode yang diusulkan, sistem mampu memberikan tingkat akurasi terbaik pada 93.15%, sensitivitas 92.30%, dan spesifisitas 93.61%.Kata kunci: Glaukoma, Local Binary Pattern, Support Vector Machine ABSTRACTGlaucoma is a disease that attacks the sense of sight and can lead to permanent blindness. Although this disease cannot be cured, the symptoms of the damage can be minimized by early detection. Glaucoma detection can be done manually by an ophthalmologist, but this method is somewhat subjective because the results of the observations depend on the domain of the doctor’s knowledge, whereas onthe other hand, modern medical imaging techniques, such as OCT, CSLO, and HRT, are high in cost and the availability of devices is relatively limited. This research proposed a machine learning-based system to detect glaucoma in retinal fundus images through digital image processing using the Local Binary Pattern and Support Vector Machine methods. The performance of the system was tested on 146 fundus images consisting of healthy fundus images and glaucoma. By using the proposed method, the system provide the best accuracy rate at 93.15%, sensitivity 92.30%, and specificity 93.61%.Keyword: Glaucoma, Local Binary Pattern, Support Vector Machine

show abstract

Section: Pendahuluanunclassified

Deteksi Glaukoma pada Citra Fundus Retina menggunakan Metode Local Binary Pattern dan Support Vector Machine

NURFAJAR

MAGDALENA²,

SA’IDAH³

2022

ELKOMIKA

View full text Add to dashboard Cite

show abstract

“…JST memberikan hasil pengenalan yang baik. JST yang digunakan pada penelitian [8] memberikan hasil sebesar 91% untuk pengenalan penyakit pada mata. Pada penelitian [9] menggunakan JST untuk pengenalan jenis kacangkacangan mendapat hasil 99,84%.…”

Section: Studi Literaturunclassified

“…Metode JST telah digunakan pada penelitian [5] dan [6]. Selain itu JST juga digunakan untuk melakukan identifikasi glaukoma dan diabetes retinopati pada citra fundus [8]. Pada penelitian [9] JST digunakan untuk klasifikasi jenis kacang-kacangan menggunakan fitur Gray Level Co-occurence Matrix (GLCM).…”

unclassified

Klasifikasi American Sign Language Menggunakan Ekstraksi Fitur Histogram of Oriented Gradients dan Jaringan Syaraf Tiruan

Rivan¹,

Noviardy²

2020

JuTISI

Self Cite

View full text Add to dashboard Cite

Sign languages have various types, one of which is American Sign Language (ASL). In this study, ASL images from the handshape alphabet were extracted using Histogram of Oriented Gradient (HOG) then these features were used for the classification of Artificial Neural Networks (ANN) with various training functions using 3 variations of multi-layer network architecture where ANN architecture consists of one hidden layer. Based on ANN training, trainbr test results have a higher success rate than other training functions. In architecture with 15 neurons in the hidden layer get an accuracy value of 99.29%, a precision of 91.84%, and a recall of 91.47%. The test results show that using the HOG feature and ANN classification method for ASL recognition gives a good level of accuracy, with an overall accuracy of 5 neurons 95.38%, 10 neurons 96.64%, and 15 neurons with 97.32%. Keywords— Artificial Neural Network; American Sign Language; Histogram of Oriented Gradient; Training Function

show abstract

“…Jaringan syaraf tiruan juga digunakan pada penelitian [8] untuk menentukan kematangan roasting biji kopi yang memberikan hasil sebesar 76,7%. Pada penelitian [9] jaringan syaraf tiruan digunakan untuk menentukan potensi glaukoma dan diabetes retinopathy yang memberikan hasil 91%. Selain itu pada penelitian yang menggunakan jaringan syaraf tiruan yaitu [10] yang digunakan untuk klasifikasi American Sign Language memberikan hasil 99%.…”

Section: Introductionunclassified

“…Penelitian [11] mengenai klasifikasi jenis kacangkacangan menggunakan jaringan syaraf tiruan memperoleh hasil terbaik yaitu 99,8% untuk accuracy, 99,6% untuk precision, 99,8% untuk recall yang menggunakan 20 neuron pada hidden layer. Pada penelitian [9] untuk mengidentifikasi potensi glaukoma dan diabetes retinopati melalui citra fundus dengan menggunakan jaringan syaraf tiruan menghasilkan rata-rata untuk recall sebesar 86,6%, precision sebesar 86,6%, dan untuk accuracy sebesar 91,06%. Pada penelitian [12] melakukan klasifikasi mutu pepaya berdasarkan ciri tekstur GLCM menggunakan jaringan syaraf tiruan menghasilkan tingkat akurasi terbaik yaitu 86,11%.…”

Section: Introductionunclassified

Identifikasi Mutu Buah Pepaya California (Carica Papaya L.) Menggunakan Metode Jaringan Syaraf Tiruan

Rivan¹,

Sung²

2021

SISFOKOM

Self Cite

View full text Add to dashboard Cite

Papaya is one of the fruits that grows in the tropics area, one of the kinds that people’s love the most is papaya California. The quality identification of papaya California fruit can be measured using color, defect, and size. Color, defect and size extracted from image of papaya. The dataset that used in this research are 150 images papaya California. The dataset consist of 3 quality there are good, fair and low. Identification of papaya using the backpropagation neural network method with 17 training function in each training data with 3 different neurons in the hidden layer. The best result of the test is using training function trainrp with 10 neurons is 81,33% for accuracy, 73,37% for precision, and 72% for recall, with 20 neurons is 82,67% for accuracy, 75,24% for precision, and 74% for recall, and with 25 neurons is 80,89% for accuracy, 74,42% for precision, and 71,33% for recall.

show abstract

Identifikasi Potensi Glaukoma dan Diabetes Retinopati Melalui Citra Fundus Menggunakan Jaringan Syaraf Tiruan

Cited by 5 publications

References 1 publication

Deteksi Glaukoma pada Citra Fundus Retina menggunakan Metode Local Binary Pattern dan Support Vector Machine

Deteksi Glaukoma pada Citra Fundus Retina menggunakan Metode Local Binary Pattern dan Support Vector Machine

Klasifikasi American Sign Language Menggunakan Ekstraksi Fitur Histogram of Oriented Gradients dan Jaringan Syaraf Tiruan

Identifikasi Mutu Buah Pepaya California (Carica Papaya L.) Menggunakan Metode Jaringan Syaraf Tiruan

Contact Info

Product

Resources

About