Perpustakaan Digital ITB

Proliferative diabetic retinopathy atau bisa disingkat PDR merupakan penyakit yang disebabkan oleh diabetes melitus. Penyakit ini menyerang bagian mata khususnya retina. Apabila tidak segera dirawat, penderita dapat mengalami penurununan kemampuan melihat atau bahkan kebutaan total. Dokter menggunakan citra retina dalam mendiagnosa PDR. Namun, kerap kali terjadi perbedaan diagnosa antar dokter sehingga dikembangkanlah CAD (Computer Aided Detection) untuk membantu dokter dalam mendiagnosa PDR. Banyak sekali algoritma terkait deteksi PDR yang sudah dikembangkan. Namun, mayoritas algoritma tersebut menggunakan citra retina dengan kualitas bagus dan stabil sebagai citra masukannya. Padahal tidak semua rumah sakit memiliki peralatan yang mendukung dalam memotret citra retina. Dataset retina yang digunakan yakni dataset Noor ul Huda memiliki variasi kualitas citra pada pencahayaan, ketajaman dan kontras. Tugas akhir ini mengajukan metode baru dalam deteksi PDR yang mampu beradaptasi pada variasi kualitas citra retina. Metode ini terdiri dari preprocessing berupa CLAHE dan filter median. Hasilnya, preprocessing mampu mengubah kualitas citra secara signifikan dan menyeragamkan distribusi kualitas. Segmentasi dilakukan dengan 2 jenis metode yaitu line detector yang berbasis detektor garis sederhana dan algoritma mlvessel yang berbasis filter wavelet. Ekstraksi fitur fraktal dan lesi merah dijadikan fitur utama dalam klasifikasi. Klasifikasi dilakukan menggunakan 3 jenis classifier, yakni L1 dan L2 logistic regression serta SVM. Analisis kombinasi fitur dilakukan dengan pemeringkatan AUC fitur per jenis menghasilkan performa tertinggi pada metode line detector tanpa enhancement dengan fitur: 4 koefisien dimensi fraktal (dimensi box dengan dan tanpa skeletonisasi, dimensi informasi dan koeralsi tanpa skeletonisasi), 6 data serial pengukuran fraktal pada semua jenis serta fitur lesi merah. Performa tertinggi tersebut dicapai menggunakan L2 logistic regression dengan nilai AUC 0,9392 ± 0,003, sensitivitas 94,51% dan spesifisitas 81,18%. Kesalahan klasifikasi terjadi pada non-PDR ke PDR dan kelas PDR ke non-PDR. Kesalahan klasifikasi dapat terjadi akibat kualitas citra yang berada di bawah kualitas rata – rata keseluruhan dan tidak seimbangnya data setiap kelas.