Klasifikasi Tingkat Keparahan Retinopati Diabetik dari Citra Fundus Retina Menggunakan Multi Label Support Vector Machine

Febiola, Anastasia Berlianna (2023) Klasifikasi Tingkat Keparahan Retinopati Diabetik dari Citra Fundus Retina Menggunakan Multi Label Support Vector Machine. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07311940000004-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (6MB) | Request a copy

Abstract

Retinopati Diabetik (DR) adalah komplikasi mata yang sering terjadi pada penderita Diabetes Mellitus dan menyebabkan kehilangan penglihatan secara global dimana pada penyakit ini, glukosa menyumbat pembuluh darah dan menyebabkan pembengkakan dan kebocoran darah atau cairan yang dapat menyebabkan lesi pada retina mata. Tingkat keparahan DR dibagi menjadi Non Proliferative DR (NPDR) yang terbagi menjadi mild, moderate, dan severe dan Proliferative DR (PDR). Tingkat keparahan DR dapat ditentukan berdasarkan jumlah dan jenis lesi yang terdapat pada retina, seperti lesi mikroaneurisma (MA), hemorrhages (HM), eksudat (EX), dan neovaskularisasi pada pembuluh darah. Saat ini, pemeriksaan DR umumnya dilakukan menggunakan funduskopi, dimana ophthalmologist menganalisis retina secara manual untuk menentukan perawatan. Proses ini memakan waktu lama dan memerlukan ketelitian tinggi karena variasi morfologi, ukuran, bentuk, warna lesi, dan kontras buruk pada citra retina. Untuk mengatasi masalah tersebut, diperlukan sistem otomatis yang dapat mengklasifikasikan tingkat keparahan retinopati diabetik melalui segmentasi fitur pada retina. Dalam penelitian ini, diusulkan sistem yang terdiri dari peningkatan kualitas citra, segmentasi lesi dan pembuluh darah otomatis menggunakan CNN U-Net, ekstraksi fitur bentuk lesi retina, dan klasifikasi multi label Support Vector Machine (MLSVM) dengan pendekatan classifier chain berbasis one-vs-rest yang memanfaatkan output klasifikasi sebelumnya untuk menghasilkan prediksi akhir. Pada penelitian dilakukan pengujian kombinasi kernel dan hyperparameter, serta penyeimbangan distribusi data dengan metode oversampling SMOTE. Hasil terbaik dari sistem ini mencapai akurasi, sensitivitas, spesifisitas, dan presisi sebesar 95.31%, 95.31%, 98.8%, dan 95.55% menggunakan kernel Radial Basis Function (RBF) dengan hyperparameter C dan gamma sebesar 1 dan 0.01 dengan penggunaan stratified cross validation.
===================================================================================================================================
Diabetic Retinopathy (DR) is a common eye complication in individuals with Diabetes Mellitus, causing global vision loss. In this condition, glucose obstructs blood vessels, leading to swelling and leakage of blood or fluid, which can result in lesions on the retina. The severity of DR is categorized into Non-Proliferative DR (NPDR), which is further divided into mild, moderate, and severe, and Proliferative DR (PDR). The severity of DR can be determined based on the number and type of lesions present in the retina, such as microaneurysms (MA), hemorrhages (HM), exudates (EX), and neovascularization of blood vessels. Currently, DR examinations are generally conducted using funduscopy, where ophthalmologists manually analyze the retina to determine the appropriate treatment. This process is time-consuming and requires high precision due to the morphological variations, sizes, shapes, color of lesions, and poor contrast in retinal images. To address these issues, an automated system is needed to classify the severity of diabetic retinopathy through feature segmentation in the retina. This study proposes a system that consists of image quality enhancement, automated lesion and blood vessel segmentation using CNN U-Net, extraction of shape features of retinal lesions, and multi label Support Vector Machine (MLSVM) classification with a classifier chain approach based on a one-vs-rest that utilizes the previous classification outputs to generate the final prediction. The study conducted testing on combinations of kernels and hyperparameters, as well as balancing the data distribution using the SMOTE oversampling method. The best test results from this system achieved an accuracy, sensitivity, specificity, and precision of 95.31%, 95.31%, 98.8%, and 95.55% using the Radial Basis Function (RBF) kernel with hyperparameters C and gamma of 1 and 0.01, respectively, using stratified cross-validation.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	diabetic retinopathy, radial basis function, SMOTE, support vector machine, U-Net; retinopati diabetik, radial basis function, SMOTE, support vector machine, U-Net
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Anastasia Berlianna Febiola
Date Deposited:	05 Sep 2023 08:45
Last Modified:	05 Sep 2023 08:45
URI:	http://repository.its.ac.id/id/eprint/102478

Actions (login required)

View Item