Analisis Performa Algoritma Segmentasi Pembuluh Darah pada Citra Fundus Retina

Bella Wahmilyana Asril, Maison Maison, Andreo Yudertha

Abstract


Ada banyak penyakit yang bisa di deteksi melalui pembuluh darah, seperti hipertensi, jantung, dan retinopati diabetes. Namun, pendeteksian penyakit melalui retina tidak mudah. Dokter harus mengamati struktur pembuluh darah pada citra fundus retina. Pengamatan secara langsung pada citra fundus membutuhkan waktu yang lama dan juga beresiko terjadi kesalahan. Dalam mengatasi hal ini, maka pengolahan citra digital diperlukan sebagai upaya untuk mempermudah pendeteksian kelainan pada retina mata. Penelitian ini bertujuan untuk melakukan analisis terhadap algoritma yang digunakan pada proses segmentasi citra fundus retina, karena hasil segmentasi dari citra akan berpengaruh besar dalam proses klasifikasi jenis penyakit pada retina. Kesalahan dalam pengklasifikasian jenis kelainan pada retina bisa menyebabkan kesalahan diagnosis dan kesalahan pemberian terapi yang tepat bagi pasien. Pengolahan citra dilakukan mulai tahap pra-pengolahan hingga segmentasi. Pengujian algoritma dilakukan pada tahap segmentasi. Hasil pengujian terhadap tiga algoritma menunjukkan bahwa metode pertama yaitu Morfologi Rekonstruksi memiliki rata-rata akurasi sebesar 94,46% dengan standard deviasi 2,94, Coye Filter memiliki rata-rata akurasi sebesar 94,97% dengan standard deviasi 4,99 dan Kirsch and Fuzzy C-Means dengan rata-rata akurasi 88,73% dan standar deviasi 2,74. Performa algoritma yang paling baik tidak hanya ditentukan dari tingkat akurasi tetapi juga dari aspek lain yaitu standar deviasi.


Keywords


Algoritma; Pembuluh Darah Retina; Pengolahan Citra; Segmentasi;

Full Text:

PDF

References


M. Santoso, T. Indriyani, and R. E. Putra, “Deteksi Microaneurysms Pada Citra Retina Mata Menggunakan Matched Filter,” J. Inf. Technol., vol. 2, pp. 59–68, 2017.

W. Cahyaningrum, R. C. Wihandika, and A. W. Widodo, “Segmentasi Pembuluh Darah Pada Citra Retina Menggunakan Algoritme Multi-Scale Line Operator dan Preprocessing Data,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. February, 2018.

U. T. Nguyen, A. Bhuiyan, L. A. Park, and K. Ramamohanarao, “An effective retinal blood vessel segmentation method using multi-scale line detection,” 2013.

I. K. G. D. Putra and I. G. Suarjana, “Segmentasi citra retina digital retinopati diabetes untuk membantu pendeteksian mikroaneurisma 1),” Teknol. Elektro, vol. 9, no. 1, 2010.

H. Bethaningtyas, Suwandi, and C. D. Anggraini, “Sistem Klasifikasi Kondisi Pita Suara dengan Metode Decision Tree,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 8, no. 2, pp. 168–174, 2019.

G. L. Djavendra, S. Aisyah, and E. R. Jamzuri, “Desain sistem pengatur lampu lalu lintas dengan identifikasi kepadatan kendaraan menggunakan metode subtraction,” J. Nas. Tek. Elektro, vol. 7, no. 2, pp. 130–137, 2018.

I. M. B. Adnyana, I. K. Gede, D. Putra, I. Putu, and A. Bayupati, “Segmentasi Citra Berbasis Clustering Menggunakan Algoritma Fuzzy C-Means,” J. Teknol. Elektro, vol. 14, no. 1, pp. 16–20, 2015.

R. C. Gonzales and R. E. Woods, Digital Image Processing Using Matlab, 2nd ed. United Stated of America: Prentice Hall, 2004.

R. Jadhav and M. Narnaware, “Segmentation Of Bright Region Of The Optic Disc For Eye Disease Prediction Rahul Jadhav and Manish Narnaware,” pp. 1696–1707, 2018.

H. B. Kekre and S. Gharge, “Image Segmentation using Extended Edge Operator for Mammographic Images,” Int. J. Comput. Sci. Eng., vol. 02, no. June 2014, pp. 1086–1091, 2010.

P. Valarmathie and K. Dinakaran, “Hybrid Fuzzy C-Means Clustering Technique for Gene Expression Data,” vol. 1, no. 1, pp. 33–37, 2009.

H. Priyatman, F. Sajid, and D. Haldivany, “Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan,” J. Edukasi dan Penelit. Inform., vol. 5, no. 1, pp. 62–66, 2019.

C. Suhery and I. Ruslianto, “Identifikasi Wajah Manusia untuk Sistem Monitoring Kehadiran Perkuliahan menggunakan Ekstraksi Fitur Principal Component Analysis ( PCA ),” J. Edukasi dan Penelit. Inform., vol. 3, no. 1, pp. 9–15, 2017.

(2004) Digital Retinal Images for Vessel Extraction (DRIVE) database website [Online]. Available:

http://www.isi.uu.nl/Research/Databases/DRIVE/

P. Pola, S. Pelangi, and Y. I. Hatmojo, “Implementasi Wavelet Haar dan Jaringan Tiruan Pada,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 3, no. 1, pp. 58–62, 2014.

R. A. Aras, T. Lestari, H. A. Nugroho, and I. Ardiyanto, “Segmentation of retinal blood vessels for detection of diabetic retinopathy : A review,” vol. 1, pp. 33–41, 2016.

I. Awaludin and A. Khairunisa, “Aplikasi Grafologi dari Huruf ‘ t ’ Menggunakan Jaringan Syaraf Tiruan,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 4, no. 3, pp. 2–6, 2015.

R. T. Wahyuningrum, I. K. E. Purnama, and M. H. Purnomo, “Peningkatan Akurasi Segmentasi Tulang Femur dan Tibia pada Citra Radiograf Menggunakan AASM,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 8, no. 2, pp. 196–203, 2019.

K. Bahadarkhan, A. A. Khaliq, and M. Shahid, “A Morphological Hessian Based Approach for Retinal Blood Vessels Segmentation and Denoising Using Region Based Otsu Thresholding,” pp. 1–19, 2016.

A. P. A.M and Murinto, “Segmentasi Citra Batik Berdasarkan Fitur Tekstur Menggunakan Metode Filter Gabor Dan K -Means,” J. Inform., vol. 10, no. January, pp. 1173–1179, 2016.

R. Rahmadewi and R. Kurnia, “Klasifikasi penyakit paru berdasarkan citra rontgen dengan metoda segmentasi sobel,” J. Nas. Tek. Elektro, vol. 5, no. 1, pp. 7–12, 2016.

D. Sutaji, C. Fatichah, and A. Navastara, “Segmentasi Pembuluh Darah Retina Pada Citra Fundus Menggunakan Gradient Based Adaptive Thresholding Dan Region Growing,” J. Ilm. Teknol. Sist. Inf., vol. 2, pp. 105–116, 2016.




DOI: http://dx.doi.org/10.26418/jp.v5i3.34416

Refbacks

  • There are currently no refbacks.