Aplikasi Metode Analisis Fraktal dan K-Means Clustering untuk Identifikasi Retinopati Diabetik dan Retinopati Hipertensi menggunakan Citra Fundus Mata
Abstract
Penyakit retinopati diabetik dan retinopati hipertensi dapat menyebabkan terjadinya kelainan vaskular pada pembuluh darah retina. Kelainan ini menimbulkan pola-pola unik yang muncul pada citra fundus mata dan memberikan ciri pada dimensi fraktal dan lakunaritas citra tersebut. Dalam studi ini, nilai dimensi fraktal dan lakunaritas citra fundus mata ditelaah dan dijadikan sebagai parameter pengelompokan data dengan metode k-means clustering untuk identifikasi penyakit retinopati diabetik dan retinopati hipertensi. Sebelum analisis dilakukan, citra fundus mata terlebih dahulu melalui tahap preprocessing agar dapat diolah lebih lanjut. Penghitungan dimensi fraktal dilakukan dengan metode box counting dan lakunaritas dihitung dengan metode gliding box. Pengelompokan data dengan metode k-means dilakukan dengan algoritma Lloyd. Hasil yang diperoleh menunjukkan bahwa metode yang digunakan memiliki akurasi sebesar 96.67%, dengan 29 identifikasi benar dari 30 data masukan yang diberikan. Hasil ini menunjukkan bahwa metode yang digunakan prospektif untuk diaplikasikan dalam identifikasi penyakit retinopati diabetik dan retinopati hipertensi.
Keywords
Full Text:
PDFReferences
I. Septadina, “Perubahan Anatomi Bola Mata pada Penderita Diabetes Mellitus,” Maj. Kedokt. Sriwij., vol. 47, no. 2, pp. 139–143, 2015, doi: 10.36706/mks.v47i2.2757.
V. Vincentia, N. Nurhasanah, and I. Sanubary, “Deteksi Awal Retinopati Hipertensi Menggunakan Jaringan Syaraf Tiruan pada Citra Fundus Mata,” J. Fis., vol. 9, no. 1, pp. 9–20, 2019, doi: 10.15294/jf.v9i1.18508.
B. Wahmilyana Asril and A. Yudertha, “Analisis Performa Algoritma Segmentasi Pembuluh Darah pada Citra Fundus Retina,” J. Edukasi dan Penelit. Inform., vol. 5, no. 3, pp. 272–278, 2019.
M. Allif, A. E. Tontowi, and A. N. Agni, “Analisis Citra Retina pada Retinopati Diabetes Militus Menggunakan Metode Numerik,” in Prosiding Seminar Nasional Teknoin Bidang Teknik Industri, 2008, pp. 113–116, [Online]. Available: https://journal.uii.ac.id/Teknoin/article/view/2105.
E. Sabrina, “Klasifikasi Penyakit Diabetic Retinopathy Menggunakan Metode Learning Vector Quantization (Lvq),” J. Tek. Elektro, vol. 6, no. 2, 2017.
R. A. Gitasari, B. Hidayat, and S. Aulia, “Klasifikasi Penyakit Diabetes Retinopati Berdasarkan Citra Digital Dengan Menggunakan Metode Wavelet Dan Support Vector Machine,” J. Tek. Elektro, vol. 2, no. 1, pp. 1–5, 2015.
N. Cheung et al., “Quantitative Assessment of Early Diabetic Retinopathy Using Fractal Analysis,” Diabetes Care, vol. 32, no. 1, pp. 106–110, 2009, doi: 10.2337/dc08-1233.
N. Popovic, M. Radunovic, J. Badnjar, and T. Popovic, “Fractal dimension and lacunarity analysis of retinal microvascular morphology in hypertension and diabetes,” Microvasc. Res., vol. 118, pp. 36–43, 2018.
S. R. Nayak, J. Mishra, and G. Palai, “Analysing roughness of surface through fractal dimension: A review,” Image Vis. Comput., vol. 89, pp. 21–34, 2019, doi: 10.1016/j.imavis.2019.06.015.
R. Sovia, E. P. W. Mandala, and S. Mardhiah, “Algoritma K-Means dalam Pemilihan Siswa Berprestasi dan Metode SAW untuk Prediksi Penerima Beasiswa Berprestasi,” J. Edukasi dan Penelit. Inform., vol. 6, no. 2, p. 181, 2020, doi: 10.26418/jp.v6i2.37759.
R. K. Dinata, H. Novriando, N. Hasdyna, and S. Retno, “Reduksi Atribut Menggunakan Information Gain untuk Optimasi Cluster Algoritma K-Means,” J. Edukasi dan Penelit. Inform., vol. 6, no. 1, p. 48, 2020, doi: 10.26418/jp.v6i1.37606.
R. G. Santosa, A. R. Chrismanto, and E. Kurniawan, “Analisis Cluster Terhadap Karakteristik Mahasiswa Jalur Prestasi FTI UKDW,” J. Edukasi dan Penelit. Inform., vol. 6, no. 1, p. 13, 2020, doi: 10.26418/jp.v6i1.37216.
W. Dhuhita, “Clustering MenggUntukunakan Metode K-Mean Menentukan Status Gizi Balita,” J. Inform. Darmajaya, vol. 15, no. 2, pp. 160–174, 2015.
A. Hoover, “Structured Analysis of the Retina.” http://cecas.clemson.edu/~ahoover/stare/.
G. Yadav, S. Maheshwari, and A. Agarwal, “Contrast limited adaptive histogram equalization based enhancement for real time video system,” Proc. 2014 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2014, pp. 2392–2397, 2014.
F. Shahabi, F. Poorahangaryan, S. A. Edalatpanah, and H. Beheshti, “A Multilevel Image Thresholding Approach Based on Crow Search Algorithm and Otsu Method,” Int. J. Comput. Intell. Appl., vol. 19, no. 2, pp. 1–13, 2020, doi: 10.1142/S1469026820500157.
M. Y. Marusina and E. A. Karaseva, “Application of the Box-Counting Method for the Evaluation of Medical Images,” Proc. 2019 IEEE Int. Conf. Qual. Manag. Transp. Inf. Secur. Inf. Technol. IT QM IS 2019, pp. 353–355, 2019, doi: 10.1109/ITQMIS.2019.8928375.
C. Allain and M. Cloitre, “Characterizing the lacunarity of random and deterministic fractal sets,” Phys. Rev. A, vol. 44, no. 6, pp. 3552–3558, 1991.
S. P. Lloyd, “Least Squares Quantization in PCM,” IEEE Trans. Inf. Theory, vol. 28, no. 2, pp. 129–137, 1982, doi: 10.1109/TIT.1982.1056489.
DOI: https://doi.org/10.26418/jp.v8i1.54043
Refbacks
- There are currently no refbacks.