JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Pengklasifikasi Segmen Vaskular Retina Mata dengan Metode M-Mediods Multivariat Wilda Imama Sabilla, Chastine Fatichah, dan Rully Soelaiman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail: rully@if.its.ac.id Abstrak Neovaskularisasi adalah berkembangnya pembuluh darah baru di dalam mata. Pembuluh darah ini merupakan pembuluh darah abnormal yang memiliki dinding pembuluh tipis, lemah, dan mudah pecah. Neovaskularisasi beresiko menyebabkan kebutaan, oleh karena itu dibutuhkan deteksi dini neovaskularisasi. Neovaskularisasi terbentuk pada berbagai lokasi di dalam mata termasuk pada retina, sehingga citra retina dapat digunakan untuk mendeteksi neovaskularisasi. Pendeteksian dilakukan dengan mengklasifikasikan segmen vaskular retina mata sebagai segmen vaskular normal atau abnormal. Tugas Akhir ini akan mengimplementasikan pengklasifikasi segmen vaskular retina mata dengan menggunakan metode m- Mediods multivariat. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan praproses dengan metode masking. Selanjutnya dilakukan segmentasi pembuluh darah pada citra retina, serta ekstraksi ciri untuk menghasilkan vektor fitur yang digunakan sebagai pembeda segmen vaskular normal dan abnormal. Berdasarkan uji coba, metode praproses dan segmentasi yang digunakan menghasilkan akurasi segmentasi mencapai 95,04%. Sedangkan metode pengklasifikasi telah berhasil melakukan klasifikasi dengan akurasi hingga 96.2%. Sehingga metode yang digunakan pada Tugas Akhir ini relatif handal dalam melakukan segmentasi dan klasifikasi. Kata Kunci Klasifikasi, m-mediods Multivariat, Segmentasi, Vaskular Retina. N I. PENDAHULUAN EOVASKULARISASI adalah berkembangnya pembuluh darah baru di dalam mata. Pembuluh darah baru yang berkembang merupakan pembuluh darah yang abnormal, memiliki dinding pembuluh yang tipis, lemah, dan mudah pecah [1]. Ketika pembuluh darah ini pecah, akan terjadi pendarahan pada daerah mata dan dapat berakibat pada kebutaan. Oleh karena itu diperlukan pendeteksian dini terhadap keberadaan neovaskularisasi untuk mengurangi resiko kebutaan. Neovaskularisasi dapat terbentuk pada berbagai lokasi di dalam mata termasuk pada retina, sehingga citra retina dapat digunakan untuk mendeteksi neovaskularisasi. Pendeteksian dilakukan dengan mengklasifikasikan segmen vaskular retina mata sebagai segmen vaskular normal atau abnormal. Mata sehat hanya memiliki segmen vaskular normal, sedangkan pada mata yang tidak sehat akan ditemui segmen vaskular abnormal. Salah satu metode pengklasifikasi yang dapat digunakan adalah m-mediods multivariat. M-Mediods multivariat dapat digunakan untuk data yang memiliki jarak antar kelas yang sangat dekat dan setiap kelas dapat memiliki beberapa distribusi yang berbeda. Untuk memperkecil jarak data dalam suatu kelas dan memperlebar jarak data antar kelas dilakukan perbaikan ruang fitur. M-Mediods multivariat juga dapat memfasilitasi adanya distribusi yang berbeda dalam suatu kelas menggunakan beberapa perwakilan data (mediods) [2]. Tugas Akhir ini mengimplementasikan pengklasifikasi segmen vaskular retina mata dengan metode m-mediods multivariat. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan praproses dan segmentasi. Terdapat beberapa metode praproses dan segmentasi yang telah ditawarkan. Soares dkk [10] menggunakan metode praproses dengan perluasan area objek retina. Sedangkan metode segmentasi yang digunakan adalah metode supervised dengan menerapkan 2-D Morlet wavelet dan Gaussian mixture model Bayesian classifier. Di lain pihak Fraz dkk [11] menggunakan metode segmentasi dengan menggunakan First-order Derivative of Gaussian (FoDoG) yang dikombinasikan dengan bentuk pembuluh darah dan peta orientasi. Tugas Akhir ini menggunakan metode praproses dan segmentasi yang berbeda. Praproses dilakukan dengan metode masking untuk memisahkan antara latar belakang gambar dan objek retina. Selanjutnya dilakukan segmentasi pembuluh darah pada citra retina, serta ekstraksi ciri untuk menghasilkan vektor fitur yang digunakan sebagai pembeda segmen vaskular normal dan abnormal. Bagian selanjutnya dari makalah ini tersusun dari Metodologi Penelitian dalam bagian 2, pembahasan kinerja dari metode untuk beberapa skenario dalam Uji Coba dan Analisis Hasil pada bagian 3, serta Kesimpulan pada bagian 4. II. METODOLOGI PENELITIAN Pada bagian ini akan dibahas dataset yang digunakan pada Tugas Akhir ini. Metode yang digunakan juga akan dibahas yang terdiri dari empat bagian, yaitu praproses citra, segmentasi vaskular retina, ekstraksi fitur vaskular retina, dan klasifikasi segmen vascular. A. Dataset Terdapat dua dataset citra retina yang digunakan pada Tugas Akhir ini, yaitu dataset DRIVE dan STARE.
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 2 Gambar. 1. Gambaran umum praproses dan segmentasi vaskular retina 1) Dataset DRIVE Dataset DRIVE merupakan dataset yang terdiri dari 40 buah citra retina dalam format RGB dan citra ground truth dari 40 buah citra RGB tersebut. Citra dalam dataset DRIVE tidak memiliki label kelas [3]. 2) Dataset STARE Dataset STARE merupakan dataset yang terdiri dari 400 buah citra retina dalam format RGB. Pada dataset ini terdapat berbagai kelas label untuk masing-masing citra, yaitu kelas normal dan kelas penyakit pada retina. Data yang akan digunakan adalah data yang terdapat pada kelas normal dan Proliferative Diabetic Retinopathy (PDR) yang menyebabkan vaskular abnormal. Sehingga hanya 53 citra dari dataset ini yang digunakan sebagai data masukan dalam penelitian ini [4]. B. Praproses Citra Praproses citra merupakan suatu proses yang dilakukan untuk memperbaiki citra retina sebelum citra digunakan pada tahap selanjutnya. Praproses dilakukan menggunakan metode masking, yaitu proses untuk memisahkan objek retina (foreground) dan latar belakang gambar (background). Pemisahan ini perlu dilakukan karena background citra retina tidak benar-benar hitam sehingga memungkinkan dianggap sebagai objek. Masking terdiri dari dua tahap, yakni thresholding dan shrinking. Thresholding Thresholding mengharuskan citra masukan dalam format grayscale. Metode thresholding kemudian akan mengubah citra masukan menjadi citra biner. Suatu piksel citra yang skala keabuannya kurang dari threshold akan dianggap sebagai background yang berwarna hitam. Sedangkan piksel citra yang skala keabuannya lebih dari atau sama dengan threshold merupakan objek yang berwarna putih [5]. Shrinking Guna memperbaiki FOV (field of view) untuk proses selanjutnya, dibutuhkan penyusutan citra biner hasil masking (shrinking). Shrinking dilakukan dengan operasi morfologi erosi [5]. Gambar. 2. Gambaran umum proses ekstraksi fitur vaskular C. Segmentasi Vaskular Retina Klasifikasi segmen vaskular retina menggunakan bagian pembuluh darah tanpa membutuhkan bagian lain pada retina. Karena data citra yang dijadikan masukan berupa citra retina keseluruhan dengan semua bagian masih ada, maka dibutuhkan suatu metode untuk mengekstrak bagian pembuluh darah dari citra retina keseluruhan yaitu menggunakan segmentasi vaskular retina. Segmentasi vaskular retina dilakukan dengan mengimplementasikan transformasi wavelet yakni Isotropic Undecimated Wavelet Transform, thresholding, dan cleaning. Isotropic Undecimated Wavelet Transform Isotropic Undecimated Wavelet Transform (IUWT) mempertahankan konstruksi filter bank pada bi-orthogonal wavelet transform (DWT) dengan mengeliminasi tahap penipisan (decimation). IUWT menggunakan Persamaan 1 hingga Persamaan 3 untuk analisis scaling dan fungsi wavelet. ( ) ( ) (1) ( ) ( ) ( ) (2) ( ) ( ) ( ) (3) dimana ( ) adalah spline dari order 3, dan fungsi wavelet didefinisikan sebagai perubahan antara dua resolusi [6]. Masukan dari proses ini adalah citra masking dan citra retina dalam grayscale. Hasil akhir dari proses ini berupa citra grayscale retina dengan bagian vascular yang dipertajam. Thresholding Metode thresholding digunakan untuk menghasilkan citra biner vaskular retina dari citra hasil transformasi wavelet, dimulai dengan menentukan prosentase piksel yang ingin dipertahankan sebagai segmen vaskular. Jika pada citra hasil wavelet menunjukkan bahwa piksel yang berupa segmen vaskular lebih gelap daripada piksel lainnya, maka piksel dengan intensitas gelap akan dianggap sebagai segmen vaskular sebanyak prosentase yang telah ditentukan. Jika yang
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 3 terjadi sebaliknya, maka yang dianggap sebagai segmen vaskular adalah piksel dengan intensitas terang [9]. Cleaning Citra hasil thresholding belum sepenuhnya baik, karena terdapat beberapa objek berukuran kecil yang terlihat seperti derau. Agar citra segmentasi lebih baik dilakukan cleaning, yaitu metode pembersihan agar citra hasil segmentasi menyisakan objek-objek yang merupakan pembuluh darah dan menghapus objek lainnya. Terdapat dua hal yang dilakukan pada proses cleaning, yaitu menghapus objek kecil dan mengisi lubang (hole) kecil [9]. D. Ekstraksi Fitur Vaskular Retina Sebuah sistem membutuhkan beberapa properti untuk membedakan segmen vaskular normal dan abnormal. Agar segmen vaskular retina dapat diklasifikasikan ke dalam kelas normal ataupun abnormal, dibutuhkan himpunan fitur yang mewakili setiap segmen kandidat. Segmen vaskular retina adalah bagian pembuluh darah tertentu yang berada pada region of interest (ROI) dengan luas jendela. ROI berupa citra hasil segmentasi, luas jendela yang digunakan adalah luas sebuah citra hasil segmentasi. Sedangkan segmen kandidat adalah segmen vaskular pada citra hasil segmentasi yang dipertimbangkan untuk ekstraksi fitur atau klasifikasi [7]. Setiap segmen kandidat dianggap sebagai sampel untuk klasifikasi dan direpresentasikan oleh sebuah vektor fitur. Jika sebuah citra retina terdiri dari segmen vaskular kandidat, maka citra retina dapat direpresentasikan sebagai * + dimana adalah vektor fitur untuk segmen kandidat ke-j dengan m fitur, sehingga * +. Fitur-fitur yang digunakan untuk klasifikasi segmen vaskular normal dan abnormal dari citra biner hasil segmentasi adalah area ( ), energy ( ), mean gradient ( ), standard deviation gradient ( ), mean intensity ( ), intensity variation ( ), dan vessel segment ( ) [7]. Area Area yaitu jumlah piksel yang merupakan pembuluh darah di dalam jendela. Pembuluh darah normal memiliki area yang lebih luas dibandingkan pembuluh darah abnormal. Energy Energy yaitu intensitas dari piksel pembuluh darah pada segmen kandidat. Pembuluh darah normal cenderung lebih terang dibandingkan dengan pembuluh darah abnormal pada inverse green channel citra. Mean Gradient Mean gradient adalah nilai rataan gradient magnitude dari piksel pembuluh darah pada segmen kandidat. Sebelumnya, nilai green channel dari citra retina akan dihitung dengan gradient magnitude. Standard Deviation Gradient Standard deviation gradient adalah standar deviasi dari gradient magnitude dari piksel pembuluh darah pada segmen kandidat. Gambar. 3. Gambaran umum proses klasifikasi segmen vaskular Mean Intensity Mean intensity adalah normalisasi dari nilai mean intensity piksel pembuluh darah pada segmen kandidat. Normalisasi intensitas diperoleh dengan operasi pengurangan mean intensity dengan nilai intensitas tiap piksel, kemudian dibagi dengan standard deviation intensity. Hasil akhir dari mean intensity adalah rataan dari normalisasi intensitas. Intensity Variation Intensity variation adalah perbandingan antara mean intensity dan standard deviation intensity pada segmen kandidat yang telah diperoleh sebelumnya pada proses penghitungan mean intensity. Vessel Segment Vessel segment adalah jumlah segmen pembuluh darah pada kandidat segmen. Jumlah segmen ditentukan dengan menggunakan connected component analysis. Pembuluh darah abnormal biasanya memiliki jumlah segmen yang lebih banyak dibandingkan pembuluh darah normal. E. Klasifikasi Segmen Vaskular Algoritma klasifikasi dimulai dengan memodelkan segmen vaskular normal dan abnormal berdasarkan data yang sudah diketahui kelasnya. Kemudian model yang dibuat tersebut akan dipakai untuk mengenali segmen vaskular yang belum diketahui kelasnya. Metode pengklasifikasi yang digunakan adalah metode m- Mediods Multivariat. Algoritma ini terdiri dari dua bagian, yaitu perbaikan representasi ruang fitur dengan menggunakan Local Fisher Discriminant Analysis (LFDA) serta pemodelan dan pengenalan dengan menggunakan Learning Vector Quantization (LVQ). Local Fisher Discriminant Analysis Local Fisher Discriminant Analysis (LFDA) merupakan pendekatan klasifikasi yang ditawarkan untuk meningkatkan representasi ruang fitur dengan mengembangkan transformasi supervised. Peningkatan representasi ruang fitur ini dilakukan dengan meningkatkan kesamaan antar data atau objek pada satu kelas (intra class similarity) dan mengurangi kesamaan antar objek yang terdapat pada kelas berbeda (inter class similarity) [7]. Jika * + adalah himpunan n sampel pelatihan yang memiliki c kelas pembuluh darah * +. Scatter matrix dalam kelas (within) dan antarkelas (between) masing-masing dihitung dengan Persamaan 4 dan Persamaan 5. ( ) (4)
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 4 ( ) (5) Dimana adalah fungsi jarak Euclidean dan serta akan dijelaskan pada Persamaan 6 dan Persamaan 7. { ( ) (6) { ( ) ( ) Dengan adalah jumlah keanggotaan (membership count) dari kelas dan adalah jarak rata-rata dari sampel dengan k tetangga terdekat. Nilai dari k ditentukan secara empirik dan diatur untuk k=7 [7]. Representasi ruang koefisien berdasarkan LFDA dihasilkan dengan melakukan generalisasi dekomposisi nilai eigen dari dimana adalah generalisasi nilai eigen dan adalah vektor eigen, adalah scatter matrix within, dan adalah scatter matrix between. Peningkatan kualitas dari representasi ruang fitur segmen pembuluh darah dengan localized Fisher discriminant direction diperoleh dengan menggunakan persamaan * + dimana * + adalah vektor eigen yang disusun mulai dari nilai terbesar menuju nilai terkecil (descending) dengan nilai eigen * + [7]. Learning Vector Quantization Learning Vector Quantization (LVQ) adalah salah satu varian dari neural network yang mengombinasikan pembelajaran kompetitif dengan supervisi. LVQ terdiri atas lapisan (layer) kompetitif, termasuk subnet kompetitif dan layer linier. Pada layer kompetitif atau dapat disebut hidden layer, setiap neuron diberikan kepada sebuah kelas. Beberapa neuron pada layer kompetitif dapat berada pada kelas yang sama. Setiap neuron pada layer kompetitif yang memiliki kelas yang sama tersebut akan dipetakan sebuah neuron pada layer linier. Jumlah neuron pada layer kompetitif, Q, setidaknya memiliki jumlah yang sama atau lebih besar dari jumlah neuron pada layer kedua, M [8]. Pada metode klasifikasi m-mediods multivariat jumlah neuron pada layer kompetitif atau hidden layer mewakili jumlah mediods. Sehingga mediods juga akan mewakili jumlah sub kelas dari kelas yang ada. Hidden layer pada jaringan LVQ berguna untuk melakukan pengelompokan ke dalam berbagai sub kelas sebelum nantinya objek atau data ddddd Tabel 1. Tetapan parameter uji coba kebenaran hasil segmentasi Proses Parameter Tetapan parameter Masking Threshold 0.1 0.23 Segmentasi Level wavelet 2 dan 3 Threshold 0.2 min_object_size 0,05% min_holes_size 0,05% (7) Gambar. 4. Struktur jaringan Learning Vector Quantization diklasifikasikan berdasarkan kelas yang ada. Sebelum masuk ke hidden layer, terlebih dahulu data direpresentasikan sebagai input layer. III. UJI COBA DAN ANALISIS HASIL A. Uji Coba Kebenaran Hasil Segmentasi Data yang digunakan pada tahap uji coba kebenaran hasil segmentasi ini menggunakan 40 buah citra retina dari basis data DRIVE, berupa citra dalam format RGB dan citra ground truth. Uji coba dimulai dengan mengubah citra dalam ruang RGB menjadi citra biner hasil segmentasi dengan menggunakan metode praproses yaitu masking dan metode segmentasi. Beberapa nilai parameter yang digunakan untuk uji coba kebenaran hasil segmentasi menggunakan citra retina dari basis data DRIVE dan STARE telah ditetapkan sebagaimana yang ditunjukkan pada Tabel 1. Uji coba dilakukan dengan menghitung nilai akurasi, yaitu jumlah piksel dengan nilai sama antara citra hasil segmentasi dan citra ground truth. Berdasarkan hasil pengujian, nilai ratarata akurasi untuk 40 citra berdasarkan citra ground truth adalah 95,04%. Hasil uji coba ini juga akan dibandingkan dengan metode yang ditawarkan oleh Soares dkk [10] dan Fraz dkk [11] seperti yang ditunjukkan pada Tabel 2. Berdasarkan Tabel 2, akurasi yang diperoleh menggunakan metode yang digunakan pada Tugas Akhir ini lebih tinggi dibandingkan metode lainnya. Hal ini menunjukkan bahwa alur dari metode praproses dan segmentasi yang digunakan benar, sehingga citra segmentasi yang dihasilkan mampu mencapai akurasi yang sama baiknya dengan metode lainnya. B. Uji Coba Hasil Klasifikasi Segmen Vaskular data testing pada basis data STARE. Error adalah jumlah data yang mengalami kesalahan klasifikasi. Data training yang digunakan adalah 20 data training optimal, 24 data training optimal, 20 data training tidak optimal, dan 24 data training tidak optimal. 24 data training optimal diperoleh berdasarkan uji coba klasifikasi menggunakan LVQ yang memiliki nilai ddddd Tabel 2. Perbandingan akurasi metode segmentasi Metode Akurasi (%) Soares dkk 94,66 Fraz dkk 94,30 Metode yang ditawarkan 95,04
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 5 Tabel 3. Hasil klasifikasi dengan menggunakan 24 data training optimal Prediksi Kenyataan Abnormal Normal Abnormal 17 0 Normal 2 34 error terkecil. Sedangkan 20 data merupakan subset dari 24 data. Uji coba dilakukan dengan 20 kali perulangan agar hasil klasifikasi lebih akurat. 1) Uji Coba Kebenaran Klasifikasi Segmen Vaskular vektor fitur yang telah direduksi menghasilkan vektor fitur sejumlah 3 dimensi, menggunakan 12 buah mediods atau neuron pada hidden layer LVQ, dan learning rate sebesar 0,1. Berdasarkan uji coba, 24 data training optimal dan 20 data training menghasilkan nilai error terkecil yaitu 3,77%. Hasil klasifikasi dari data testing ditunjukkan pada Tabel 3 dan Gambar 5. Pada Tabel 3 terdapat 2 buah data dengan kelas abnormal yang terdeteksi sebagai kelas normal. 2) Uji Coba Kebenaran Klasifikasi Segmen Vaskular Berdasarkan Jumlah Dimensi Hasil Reduksi data testing. Data training yang digunakan untuk uji coba adalah 24 data training optimal dan 24 data training tidak optimal dengan reduksi dimensi sejumlah 3 dimensi, 4 dimensi, 5 dimensi, dan 6 dimensi. Uji coba ini bertujuan untuk mengetahui pengaruh perubahan dimensi hasil reduksi terhadap nilai error. vektor fitur yang telah direduksi menggunakan 12 buah mediods atau neuron pada hidden layer LVQ, dan learning rate sebesar 0,1. Berdasarkan hasil uji coba, perubahan reduksi dimensi tidak berpengaruh pada data training yang optimal, nilai error terbaik yang diperoleh sama yaitu 3,77% baik untuk reduksi 3 dimensi, 4 dimensi, 5 dimensi, maupun 6 dimensi. Sedangkan untuk data training yang tidak optimal, terdapat kecenderungan semakin banyak dimensi maka semakin kecil error. 3) Uji Coba Kebenaran Klasifikasi Segmen Vaskular Berdasarkan Jumlah Mediods (a) (b) (c) Gambar. 5. (a) Citra vaskular normal yang diprediksi normal (b) Citra vaskular abnormal yang diprediksi abnormal (c) Citra vaskular abnormal yang diprediksi normal data testing. Data training yang digunakan untuk uji coba adalah 24 data training optimal dan 24 data training tidak optimal dengan dimensi hasil reduksi sejumlah 3 dimensi. Uji coba ini bertujuan untuk mengetahui pengaruh perubahan jumlah mediods terhadap nilai error. vektor fitur yang telah direduksi dengan mengubah jumlah mediods atau neuron pada hidden layer LVQ, dan learning rate yang digunakan sebesar 0,1. Berdasarkan hasil uji coba, perubahan jumlah mediods tidak berpengaruh pada data training yang optimal, nilai error terbaik yang diperoleh sama yaitu 3,77% baik untuk jumlah mediods sebanyak 6 buah, 8 buah, 10 buah, maupun 12 buah. Sedangkan untuk data training yang tidak optimal, terdapat kecenderungan nilai error akan menurun seiring dengan bertambahnya jumlah mediods. 4) Uji Coba Kebenaran Klasifikasi Segmen Vaskular Berdasarkan Nilai Learning Rate data testing. Data training yang digunakan untuk uji coba adalah 24 data training optimal dan 24 data training tidak optimal dengan dimensi hasil reduksi sejumlah 3 dimensi. Uji 0.06 Nilai Error Minimum dari 24 Data Optimal 0.14 Nilai Error Minimum dari 24 Data Tidak Optimal 0.055 0.135 Error Minimum 0.05 0.045 Error Minimum 0.13 0.125 0.12 0.04 0.115 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 Learning Rate Gambar. 6. Nilai minimum learning rate untuk 24 data optimal 0.11 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 Learning Rate Gambar. 7. Nilai minimum learning rate untuk 24 data tidak optimal
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 6 Tabel 4. Waktu eksekusi yang dibutuhkan suatu citra untuk berbagai jumlah mediods Jumlah mediods Running time (detik) 6 mediods 14.22 8 mediods 24.68 10 mediods 37.02 12 mediods 13.12 coba ini bertujuan untuk mengetahui pengaruh perubahan learning rate terhadap nilai error. vektor fitur yang telah direduksi menggunakan 12 buah mediods atau neuron pada hidden layer LVQ, dan learning rate yang akan diubah-ubah antara 0,01 hingga 0,1. Uji coba kebenaran klasifikasi segmen vaskular normal dan abnormal diulang sebanyak 10 percobaan, nilai error terbaik dari 10 percobaan tersebut akan digunakan untuk analisis sehingga menghasilkan grafik yang ditunjukkan pada Gambar 6 dan Gambar 7. Berdasarkan hasil uji coba, nilai learning rate dapat mempengaruhi nilai error, dengan nilai learning rate terbaik berada sekitar nilai 0,1. C. Uji Coba Waktu Eksekusi Uji coba waktu eksekusi dilakukan untuk mengetahui waktu yang dibutuhkan suatu citra hingga dapat dihasilkan output berupa label kelas. Uji coba dilakukan dengan menghitung running time menggunakan sebuah citra tertentu pada tahap praproses, segmentasi, ekstraksi fitur dan pengenalan (testing). Sedangkan untuk bagian training digunakan 24 data training. Uji coba waktu eksekusi menggunakan berbagai jumlah mediods pada training LVQ. Berdasarkan uji coba, waktu yang dibutuhkan suatu citra untuk untuk menjalani semua proses dalam perangkat lunak adalah antara 13 detik hingga 37 detik seperti yang ditunjukkan pada Tabel 4. IV. KESIMPULAN Dari uji coba yang telah dilakukan dan berdasarkan analisis hasil pengujian terhadap sistem ini, dapat diambil beberapa kesimpulan, antara lain: Metode praproses dan metode segmentasi segmen vaskular yang digunakan telah memiliki alur proses yang benar, terbukti dengan nilai akurasi yang lebih baik dibandingkan dengan metode segmentasi yang telah ada sebelumnya. Metode praproses dan metode segmentasi segmen vaskular dengan transformasi wavelet IUWT relatif handal, terbukti dengan hasil akurasi sebesar 95,04% untuk hasil segmentasi berdasarkan citra ground truth dari basis data DRIVE. Metode klasifikasi dengan m-mediods multivariat dapat memodelkan dan mengenali segmen vaskular retina dengan baik, terbukti dengan nilai error akurasi hanya 3,77% untuk 53 data dari basis data STARE. Untuk data training optimal, perubahan nilai dimensi reduksi dan jumlah mediods tidak mempengaruhi hasil akurasi. Subset dari data training optimal juga dapat menghasilkan hasil klasifikasi yang baik yang sama baik dengan data training optimal. Nilai learning rate dapat mempengaruhi hasil akurasi, learning rate terbaik berada pada sekitar nilai 0.1. Waktu eksekusi yang dibutuhkan untuk sebuah citra dapat dideteksi sebagai citra normal atau abnormal antara 13 detik hingga 37 detik. UCAPAN TERIMA KASIH Penulis W.I.S. mengucapkan puji syukur kepada Allah SWT yang melimpahkan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan penilitian dengan lancar. Penulis juga mengucapkan terima kasih kepada Bapak Rully Soelaiman dan Ibu Chastine Fatichah yang telah banyak membantu penulis dalam menyelesaikan penelitian ini. Penulis juga mengucapkan terima kasih kepada pihak-pihak lain yang turut membantu terselesaikannya penelitian ini. [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] DAFTAR PUSTAKA crvo_my, "Neovascularization", Central Retinal Vein Occlusion, 2011. [Online]. Available:https://sites.google.com/site/crvoquickstart/neovascularizatio n. [Accessed 21 Februari 2014]. Shahid Razzaq Shehzad Khalid, "Frameworks for multivariate m- Mediods based modeling and classification in Euclidean and general feature spaces," Pattern Recognition, vol. 45, no. 3, pp. 1092 1103, Maret 2012. J.J. Staal, M.D. Abramoff, M. Niemeijer, M.A. Viergever, B. van Ginneken, "Ridge based vessel segmentation in color images of the retina", IEEE Transactions on Medical Imaging, 2004, vol. 23, pp. 501-509. Hoover, STARE database, 2013. [Online]. Available: http://www.ces.clemson.edu/ahoover/stare. [Accessed 5 Februari 2014]. Wikipedia, Erosion (morphology), Wikipedia, 8 Juni 2014. [Online]. Available:http://en.wikipedia.org/wiki/Erosion_(morphology). [Accessed 20 Februari 2014]. Jean-Luc Starck, Jalal Fadili, Fionn Murtagh, The Undecimated Wavelet Decomposition and its Reconstruction, IEEE Transaction on Image Processing, vol. 16, pp.297-309, Februari 2007. Shehzad Khalid, Anam Tariq, M. Younus Javed M. Usman Akram, "Detection of neovascularization in retinal images using multivariate m- Mediods based classifier," Journal Computerized Medical Imaging and Graphics, vol. 37, no. 5-6, pp. 346-357, September 2013. K. Ming Leung, Learning Vector Quantization, Department of Computer and Information Science, Polytechnic University, New York, April 2009. Pete Bankhead, ARIA: Automated Retinal Image Analyzer v1.0, Centre for Vision and Vascular Science, Queen's University of Belfast, UK, Desember 2011. J.V.B. Soares, J.J.G. Leandro, R.M. Cesar, H.F. Jelinek, M.J. Cree, Retinal vessel segmentation using the 2-D Gabor wavelet and supervised classification, IEEE Transactions on Medical Imaging, vol. 25, pp. 1214 1222, 2006. M.M. Fraz, P. Remagnino, A. Hoppe, B. Uyyanonvara, Christopher G. Owen, Alicja R. Rudnicka, S.A. Barman, Retinal Vessel Extraction Using First-Order Derivative of Gaussian and Morphological Processing, Springer-Verlag, pp. 410 420, 2010.