In’am, Rizkifika Asanul (2016) Deteksi Citra Retina Mata Untuk Proliferative Diabetic Retinopathy Menggunakan Seleksi Fitur Genetic Algorithm Dan Support Vector Machine. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5112100121-undergraduate-theses-.pdf - Published Version Download (1MB) | Preview |
Abstract
Diabetes militus adalah gangguan dari peredaran darah
manusia. Diabetes ini disebabkan akan kurangnya insulin di dalam
darah. Hal ini dapat menyebabkan meningkatnya tekanan darah
yang dapat menyebabkan kerusakan sel pada jaringan tubuh
dikarenakan tingginya tekanan darah. Salah satu akibat dari
diabetes ini dapat dilihat melalui pembengkakan pembuluh pada
jaringan organ. Salah satu jaringan yang dapat terganggu dari
pembengkakan pembuluh darah adalah mata. Pada retina mata
yang mengalami pembengkakan dapat disebut proliferative
diabetic retinopathy. Untuk mempermudah pendeteksian
dilakukan proses segmentasi vaskular, ekstraksi fitur segmen, serta
klasifikasi.
Tugas akhir ini mengimplementasikan salah satu metode
pengklasifikasi yang dapat digunakan untuk klasifikasi segmen
vaskular retina yaitu Support Vector Machine dan menggunakan
metode seleksi fitur Genetic Algorithm. Tahap pertama yakni
melakukan perbaikan terhadap citra menggunakan Frangi filter,
metode praproses menggunakan mean filter dan masking, serta
segmentasi citra menggunakan Bradley thresholding. Setelah itu
dilakukan ekstraksi fitur untuk menjadi bahan inputan Genetic
Algorithm yang dipadukan dengan Support Vector Machine.
viii
Hasil klasifikasi segmen vaskular normal dan abnormal
dengan citra retina dari basis data STARE menggunakan metode
Support Vector Machine yang dipadukan dengan seleksi fitur
Genetic Algorithm menunjukkan akurasi terbaik sebesar 100%
dengan menggunakan konfigurasi kernel polynomial dan method
quadratic programming. Sehingga dapat disimpulkan bahwa
kalsifikasi segmentasi vaskular retina yang digunakan pada Tugas
akhir ini mampu melakukan segmentasi dan klasifikasi dengan
baik.
==========================================================
Diabetes militus is a diasese of human blood circulation.
Diabetes is caused by lack amount of insulin in blood. It cause the
higher blood pressure that can lead to vessel blood damage. One
of the symtomps that can be seen is in retinal blood vessel. This
kind of damage can be called proliferative diabetic retinopathy
(PDR). To make it easier to detect PDR in retinal vessel we can
detect it by doing segmentation of retinal vessel, feature exstraction
of segmented vessel, and classification.
The final project is to implement one of the methods
classifiers that can be used for classification of retinal vascular
segments namely Support Vector Machine and Genetic Algorithm
as feature selection to optimize the classifier. The first step is to do
image correction by using Frangi filter, Mean filter, and masking.
The result is then segmented by using Bradley thresholding. The
image is extracted to get some information related called feature.
The feature is optimized by Genetic Algorithm collaborated with
Support Vector Machine.
The results of the classification of normal and abnormal
vascular segments by retinal image from STARE database using
Support Vector Machine methods shows the best accuracy of 100%
x
using kernel type polynomial and mthod quadratic programming.
Therefor it can be concluded that the method used for retinal
vascular segmentation and retinal vascular segments classification
in this final project is reliable for segmentation and classification.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSIf 005.746 Ina d |
| Uncontrolled Keywords: | Klasifikasi, Genentic Algorithm, Support Vector Machine, Vaskular Retina |
| Subjects: | Q Science > QA Mathematics > QA76.585 Cloud computing. Mobile computing. |
| Divisions: | Faculty of Information and Communication Technology > Informatics |
| Depositing User: | EKO BUDI RAHARJO |
| Date Deposited: | 25 Nov 2019 05:52 |
| Last Modified: | 25 Nov 2019 05:52 |
| URI: | http://repository.its.ac.id/id/eprint/72021 |
Actions (login required)
 |
View Item |