IMPLEMENTASI MODEL PENGUKUR DEGENERASI AREA IMPLEMENTASI MODEL PENGUKUR DEGENERASI AREA MAKULA...

Click here to load reader

  • date post

    06-Feb-2021
  • Category

    Documents

  • view

    8
  • download

    0

Embed Size (px)

Transcript of IMPLEMENTASI MODEL PENGUKUR DEGENERASI AREA IMPLEMENTASI MODEL PENGUKUR DEGENERASI AREA MAKULA...

  • IMPLEMENTASI MODEL PENGUKUR DEGENERASI AREA MAKULA MENGGUNAKAN METODE REGION

    GROWING

    Rio Bayu Afrianto Dosen Pembimbing -Prof. Ir. Handayani Tjandrasa, M.Sc, Ph.D -Isye Arieshanti, S.Kom., M.Phil.

  • OUTLINE

    RIO BAYU AFRIANTO

    LATAR BELAKANG

    RUMUSAN MASALAH

    RANCANGAN PL

    UJI COBA

    KESIMPULAN

  • OUTLINE

    RIO BAYU AFRIANTO

    LATAR BELAKANG

    RUMUSAN MASALAH

    RANCANGAN PL

    UJI COBA

    KESIMPULAN

    LATAR BELAKANG

  • LATAR BELAKANG

    RIO BAYU AFRIANTO

    Saat ini, jumlah penyakit dan gangguan mata mencapai jumlah yang banyak

    Age Related Macular Degeneration

    (ARMD)

    Kebutaan

  • LATAR BELAKANG (Cont.)

    RIO BAYU AFRIANTO

  • LATAR BELAKANG (Cont.)

    RIO BAYU AFRIANTO

    Segmentasi

    Manual Otomatis

  • Segmentasi

    Manual Otomatis

    LATAR BELAKANG (Cont.)

    RIO BAYU AFRIANTO

    waktu yang lama dan membutuhkan ketelitian tinggi. Manual

  • Segmentasi

    Manual Otomatis

    LATAR BELAKANG (Cont.)

    RIO BAYU AFRIANTO

    Metode Region Growing

    Otomatis

  • OUTLINE

    RIO BAYU AFRIANTO

    LATAR BELAKANG

    RUMUSAN MASALAH

    RANCANGAN PL

    UJI COBA

    KESIMPULAN

    RUMUSAN MASALAH

  • RUMUSAN MASALAH

    RIO BAYU AFRIANTO

    •Implementasi model pengukur degenerasi area makula menggunakan metode region growing

    • Bagaimana pengaruh nilai threshold terhadap akurasi.

  • OUTLINE

    RIO BAYU AFRIANTO

    LATAR BELAKANG

    RUMUSAN MASALAH

    RANCANGAN PL

    UJI COBA

    KESIMPULAN

    RANCANGAN PL

  • RIO BAYU AFRIANTO

    RANCANGAN PL

    LUAS DAERAH

    Preprocessing

    Segmentasi

  • RIO BAYU AFRIANTO

    PREPROCESSING

    Perbaikan citra (Histeq)

    Penentuan optic disk

    Proses cropping makula

    Lanjut

  • RIO BAYU AFRIANTO

    PERBAIKAN CITRA

    Kembali

    Citra asal Citra hasil histeq

  • RIO BAYU AFRIANTO

    DETEKSI OPTIK DISK

    Citra asal Deteksi optik disk

    Kembali

  • RIO BAYU AFRIANTO

    CROPPING DAERAH MAKULA

    Citra asal Citra makula

    Kembali

  • RIO BAYU AFRIANTO

    RANCANGAN PL

    LUAS DAERAH

    Preprocessing

    Segmentasi

  • RIO BAYU AFRIANTO

    SEGMENTASI

    Perbaikan citra (CLAHE)

    Region Growing

    Inverse segmentation

  • RIO BAYU AFRIANTO

    PERBAIKAN CITRA

    Citra makula

    Kembali

    Citra makula hasil perbaikan

  • RIO BAYU AFRIANTO

    REGION GROWING

    Citra makula

    Kembali

    Metode Region Growing

  • RIO BAYU AFRIANTO

    INVERSE SEGMENTATION

    Kembali

    Citra hasil region growing Citra hasil inverse segmentation

  • RIO BAYU AFRIANTO

    RANCANGAN PL

    LUAS DAERAH

    Preprocessing

    Segmentasi

  • RIO BAYU AFRIANTO

    PENGHITUNGAN LUAS

  • OUTLINE

    RIO BAYU AFRIANTO

    LATAR BELAKANG

    RUMUSAN MASALAH

    RANCANGAN PL

    UJI COBA

    KESIMPULAN

    UJI COBA

  • RIO BAYU AFRIANTO

    Uji Coba

    Image002 Image003 Image004

    Image005 Image006

  • RIO BAYU AFRIANTO

    PERHITUNGAN AKURASI

  • RIO BAYU AFRIANTO

    Uji Coba

    Citra Image002

    No Nilai threshold Luas segmentasi (piksel)

    Nilai Akurasi (%)

    1 80 50168 90,96

    2 90 50344 34,19

    3 100 50391 19,03

    4 110 50425 8,06

    5 120 50445 2,90

    6 150 50450 0

    Akurasi 90,96% Nilai threshold 80

  • RIO BAYU AFRIANTO

    Uji Coba

    Citra Image003

    Akurasi 80,913% Nilai threshold 170

    No Nilai threshold Luas segmentasi (piksel)

    Nilai Akurasi (%)

    1 80 11670 14,61

    2 90 16430 16,65

    3 100 22342 20,15

    4 110 28425 25,72

    5 120 33227 32,84

    6 150 40512 57,01

  • RIO BAYU AFRIANTO

    Uji Coba

    Citra Image004

    Akurasi 95,11% Nilai threshold 110

    No Nilai threshold Luas segmentasi (piksel)

    Nilai Akurasi (%)

    1 80 28775 50,14

    2 90 33268 63,25

    3 100 36444 77,59

    4 110 39024 95,11

    5 120 41468 76,64

    6 150 47902 23,47

  • RIO BAYU AFRIANTO

    Uji Coba

    Citra Image005

    Akurasi 94,3 % Nilai threshold 100

    No Nilai threshold Luas segmentasi (piksel)

    Nilai Akurasi (%)

    1 80 37575 34,86

    2 90 42457 56,16

    3 100 45694 94,3

    4 110 47523 61,3

    5 120 48767 36

    6 150 50347 2,2

  • RIO BAYU AFRIANTO

    Uji Coba

    Citra Image006

    Akurasi 89,64 % Nilai threshold 120

    No Nilai threshold Luas segmentasi (piksel)

    Nilai Akurasi (%)

    1 80 23018 33,03 2 90 29201 42,6 3 100 34207 55,7 4 110 37805 71,6

    5 120 40341 89,64

    6 150 45729 52,09

  • RIO BAYU AFRIANTO

    Uji Coba dan Evaluasi

    akurasi Nilai threshold

  • OUTLINE

    RIO BAYU AFRIANTO

    LATAR BELAKANG

    RUMUSAN MASALAH

    RANCANGAN PL

    UJI COBA

    KESIMPULAN KESIMPULAN

  • RIO BAYU AFRIANTO

    Kesimpulan

    • Implementasi model dilakukan dengan membuat modul preprocessing, segmentasi menggunakan metode region growing, segmentasi menggunakan metode inverse segmentation , dan modul untuk mengukur luas area yang terdegenerasi.

    •Semakin tinggi nilai threshold yang dipilih, semakin besar tingkat akurasinya.

    •Nilai akurasi 85% – 95% .

  • RIO BAYU AFRIANTO

    SEKIAN

    TERIMA KASIH

    IMPLEMENTASI MODEL PENGUKUR DEGENERASI AREA MAKULA MENGGUNAKAN METODE REGION GROWING� Slide Number 2 Slide Number 3 Slide Number 4 Slide Number 5 Slide Number 6 Slide Number 7 Slide Number 8 Slide Number 9 Slide Number 10 Slide Number 11 Slide Number 12 Slide Number 13 Slide Number 14 Slide Number 15 Slide Number 16 Slide Number 17 Slide Number 18 Slide Number 19 Slide Number 20 Slide Number 21 Slide Number 22 Slide Number 23 Slide Number 24 Slide Number 25 Slide Number 26 Slide Number 27 Slide Number 28 Slide Number 29 Slide Number 30 Slide Number 31 Slide Number 32 Slide Number 33 Slide Number 34 Slide Number 35