Salah satu hasil komplikasi dari penyakit Diabetes Mellitus yaitu Diabetic Retinopathy. Penyakit ini dapat menyebabkan kebutaan secara permanen jika tidak ditangani sejak dini. Angka penyandang Diabetic Retinopathy terus meningkat seiring bertambahnya penyandang Diabetes Mellitus.Untuk itu diperlukan suatu sistem yang dapat mendeteksi penyakit ini sejak gejala awal. Dalam penelitian ini dibuat sebuah perangkat lunak untuk mendeteksi Diabetic Retinopathy secara otomatis. Terdapat 3 langkah utama untuk proses deteksi. Langkah pertama dengan menyiapkan citra input. Citra input yang digunakan yaitu citra asli dalam bentuk grayscale serta citra asli yang dieliminasi pembuluh darahnya. Untuk melakukan eliminasi pembuluh darah dilakukan dengan proses overlapping antara citra hasil segmentasi pembuluh darah dengan citra original database. Langkah kedua dengan ektraksi fitur menggunakan moment invariant method. Hasil dari proses ekstraksi fitur digunakan untuk proses klasifikasi menggunakan KNN Classifier dan dilakukan pengujian pada data testing untuk mendapatkan grade hasil klasifikasi tingkat keparahan Diabetic Retinopathy. Sistem ini dapat bekerja dengan tingkat akurasi maksimum sebesar 58% dengan nilai K sama dengan 9. Sementara dengan perubahan jumlah training menghasilkan akurasi sebesar 95%.


Deskripsi Lain

one of the diabetes mellitus complications is diabetic retinopathy. If there is no early treatment, this disease can eventually lead to blindness. By the incrase of diabetes mellitus patient, the number of diabetic retinopathy patient also increased. It is required a system which can detect the early symptoms. In this research will be created a software to detect diabetic retinopathy automatically. There are three proposed main steps in this research. The first step is set up the input image. The input image is greyscale image which the blood vessel has been eliminated. The blood vessel is eliminated by overlapping process between segmented blood vessel image with original database image. The second step is feature extraction using moment invariant approach. The result of feature extraction will be used for classification phase using KNN Classifier and testing will be done to testing data to get the saverity grade of diabetic retinopathy. This system’s accuracy is above 58 with change of K value. Maximum accuracy with change of Training is 95%.

• KLASIFIKASI TINGKAT DIABETIC RETINOPATHY MENGGUNAKAN K-NEAREST NEIGHBORS DAN MOMENT INVARIANS BERBASIS FITUR
• KLASIFIKASI TINGKAT DIABETIC RETINOPATHY BERBASIS HYBRID METHOD MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
• Klasifikasi Kompleksitas Visual Citra Sampah Menggunakan Kombinasi Convolutional Neural Network dan Handcrafted Features
• Klasifikasi Citra Penyakit Tanaman Jagung Menggunakan Convolutional Neural Network AlexNet dan SqueezeNet
• KLASIFIKASI CITRA HURUF HIJAIYAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)