%I Fakultas Teknik Universitas Sultan Ageng Tirtayasa
%X Katarak kerap disebut-sebut sebagai penyebab kebutaan nomor satu di
Indonesia. Bahkan, mengacu pada data World Health Organization (WHO)
katarak menyumbang sekitar 48% kasus kebutaan didunia. Citra retina
menggunakan kamera fundus banyak digunakan oleh dokter mata untuk
mendeteksi penyakit katarak, karena tidak membahayakan. Dalam konteks medis,
muncul masalah saat membuat keputusan medis untuk menentukan tingkat
keparahan katarak yang terletak pada banyaknya jumlah pemeriksaan yang harus
dilakukan oleh dokter spesialis mata. Pada penelitian ini Klasifikasi katarak dibagi
menjadi 4 retina normal, katarak mild, medium dan severe. prosedur pembuatan
classifier mencakup empat bagian: pra-pengolahan, segmentasi, ekstraksi fitur,
dan pengklasifikasian. pra-pengolahan menggunakan HSV untuk mencari tingkat
instensitas cahaya paling tinggi, GLCM digunakan pada ekstraksi ciri untuk
mendapatkan fitur-fitur yang akan digunakan untuk melakukan klasifikasi
menggunakan Network Backpropagation yang memiliki potensi besar untuk
meningkatkan kekuratan diagnosis efisiensi dokter mata. Dalam penelitian ini
menggunakan pengolahan citra dalam pendeteksian ciri penyakit katarak pada
citra fundus berdasarkan tingkat kekeruhan optic disc. Data yang digunakan
sebanyak 60 citra fundus retina yang terdiri dari 15 citra retina normal, 15 citra
katarak ringan, 15 citra katarak sedang dan 15 citra katarak parah yang diambil
dari Rumah Sakit Islam Sultan Agung Semarang. Hasil simulasi pengujian dengan
menggunakan software MATLAB R2014a didapatkan nilai akurasi kelas retina
normal sebesar 95,71% dengan sensitivity 95,7% dan specificity 96,15% , katarak
mild sebesar 69,97% dengan sensitivity 69,97% dan specificity 89,47%. Akurasi
kelas katarak medium sebesar 75,69% dengan sensitivity 75,69% dan specificity
92,75%. Akurasi kelas katarak severe sebesar 87,13% dengan sensitivity 87,13%
dan specificity 98,56%. Nilai akurasi rata-rata sistem klasifikasi katarak adalah
82,14%.
%K Katarak, HSV, Gray Level Cooccurrance Matrix (GLCM), jaringan
saraf tiruan backpropagation
%T KLASIFIKASI KATARAK MENGGUNAKAN NEURAL
NETWORK BACKPROPAGATION
%L eprintuntirta51650
%D 2017
%A Muchtar Ali Setyo Yudono