Identifikasi Diabetic Retinopathy dengan Citra Fundus Menggunakan Algoritma Learning Vector Quantization (LVQ)

Abstract

Diabetic Retinopathy (DR) is a microvascular complication of diabetes and cause of vision loss due to damage to small blood vessels. To identify disease, it is still done manually through retinal images examined by an ophthalmologist such as examination of abnormal blood vessels, swelling of blood or retinal fat deposits, the growth of new blood vessels and scar tissue, bleeding in clear substances such as fluid that fills the center of the eye, retinal detachment, disorders of the optic nerve of the eye. With so many processes that have to be carried out by ophthalmologists, it is hoped that the use of technology can help and identify the eye without going through a long process. In the system built using invariant moment feature extraction to get the characteristic values of the tested images and identified using the Learning Vector Quantization algorithm. The test of this system uses a dataset of 200 normal retinal images and Diabetic Retinopathy which is divided into 150 training data, 25 validation data, and 25 test data for each retinal class. This test parameter uses the combined epoch and learning rate to get the most optimal results. In this study, the results obtained 84% on testing using an epoch parameter of 100 and a learning rate of 0.005.

Diabetic Retinopathy (DR) adalah komplikasi mikrovaskuler jangka panjang dari diabetes dan merupakan penyebab utama kehilangan penglihatan karena kerusakan pembuluh darah kecil. Untuk mengidentikasi penyakit ini masih dilakukan secara manual melalui citra retina yang diperiksa oleh dokter mata seperti pemeriksaan pembuluh darah yang abnormal, pembengkakan darah atu timbunan lemak retina, pertumbuhan pembuluh darah baru, pendarahan pada zat bening seperti cairan yang mengisi bagian tengah mata, ablasi retina, kelainan pada syaraf optik mata. Dengan begitu banyak proses yang harus dilakukan oleh dokter mata maka sangat diharapkan pemanfaatan teknologi yang dapat membantu dan mengidentifikasi mata tanpa melalui proses yang panjang. Pada sistem yang dibangun menggunakan ekstraksi fitur invariant moment untuk mendapatkan nilai ciri dari citra yang diuji dan diidentifikasi menggunakan algoritma Learning Vector Quantization. Pengujian sistem ini menggunakan dataset sebanyak 200 citra retina normal dan Diabetic Retinopathy dengan pembagian menjadi 150 data latih, 25 data validasi dan 25 data uji pada setiap kelas retina. Parameter pengujian ini menggunakan epoch dan learning rate yang dikombinasikan untuk mendapatkan hasil yang paling optimal. Pada penelitian ini mendapatkan hasil 84% pada pengujian menggunakan parameter epoch sebesar 100 dan learning rate 0,005.