IMPLEMENTASI SELEKSI FITUR MENGGUNAKAN EVOLUTIONARY ALGORITHM PADA KLASIFIKASI RETINAL NERVE FIBER LAYER

Munir, Aam Shodiqul (2023) IMPLEMENTASI SELEKSI FITUR MENGGUNAKAN EVOLUTIONARY ALGORITHM PADA KLASIFIKASI RETINAL NERVE FIBER LAYER. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 20.51.1358 Aam Shodiqul Munir.pdf Download (4MB)

Abstract

Retina Nerve Fiber Layer (RNFL) adalah suatu bagian dari retina yang terletak di luar Optic Nerve Head (ONH), yang dapat diamati pada citra fundus retina. Citra fundus retina dibagi menjadi empat sektor, yaitu inferior (I), superior (S), nasal (N), dan temporal (T). Kerusakan pada RNFL dapat menyebabkan penyakit Glaukoma. Evaluasi terhadap struktur optic nerve head (ONH) dan retinal nerve head sangat penting untuk diagnosis penyakit dan penanganan penyakit selanjutnya. Klasifikasi RNFL masih menggunakan pengamatan manual oleh dokter mata yang mana tidak bisa dilakukan secara cepat jika melakukan pendeteksian secara masif. Persoalan – persoalan yang membutuhkan keterlibatan dan solusi dari machine learning sangat meningkat. Peningkatan tersebut dibarengi dengan kemunculan data yang memiliki dimensi dan ukuran yang besar. fitur seleksi menghapus data yang tidak relevan, berlebihan, dan noise sehingga menghindari penurunan performa pada suatu machine learning. Berdasarkan hal tersebut penelitian ini memiliki tujuan untuk mengembangkan penelitian sebelumnya menggunakan algoritma evolusi sebagai metode seleksi fitur karena penelitian sebelumnya menggunakan metode seleksi fitur tradisional CFS. Metode seleksi fitur berbasis filter cenderung menghasilkan hasil klasifikasi yang lebih rendah dibandingkan dengan metode seleksi fitur berbasis wrapper dan embedded. Penelitian ini menggunakan GLCM untuk esktraksi fitur sebanyak 84 fitur dan algoritma evolusi sebagai metode seleksi fitur. Berdasarkan percobaan yang telah dilakukan tingkat akurasi terbaik didapatkan oleh algoritma genetika dengan akurasi, specificity dan sensitivity masing-masing sebesar 97.35%, 97.60% dan 97.19%. subset fitur terbaik adalah Autocorrelation 45o , Sum of Squares: Variances 90o dan Sum Variances 135 o. Terjadi penyderhanaan dari 84 fitur menjadi 3 fitur. Rata – rata dari 5 buah percobaan yang dilakukan tersebut mendapatkan tingkat akurasi rata-rata 96,78 % , rata-rata nilai specificity sebesar 97,40 % dan rata-rata nilai sensitivity sebesar 95,87 %. Dari hasil percobaan dua buah skenario diatas rata – rata peningkatan akurasi naik 1,93 % , rata – rata specificity naik 1,93% dan rata- rata sensitivity naik 1,95 % dibandingkan hasil klasifikasi yang tidak menggunakan seleksi fitur.

Actions (login required)

View Item