IDENTIFICATION OF GLAUCOMA THROUGH RETINA IMAGES USING THE LEARNING VECTOR QUANTIZATION (LVQ) METHOD

Abstract

Abstract: Glaucoma is the second leading eye disease of blindness after cataracts. An ophthalmologist does a glaucoma examination with an eye screening that will produce a retinal image. The diagnosis's result of the retinal image is subjective because each doctor has dissent and a condition experienced. This research builds a system to identify retinal images in the category of glaucoma or normal patients. The purpose of this system as a tool is to help ophthalmologists diagnose glaucoma. This process begins by changing the colour of an image to validity. The image is extracted using the Gray Level Co-occurrence Matrix (GLCM) and produces five features than the result of the five features used as input to neural network Learning Vector Quantization (LVQ). The amount of retinal image data used 60 data for learning and 20 for testing. And the number of neurons used is 12, and the epoch of as many as 1000 was obtained based on the results comparison of variations against 8, 10, 12, 18, and 20 neurons with 500, 900, 1000, and 1100 epochs. The learning process results from the value of weights that will be used in the testing process. The results of this study obtained an accuracy rate of 85%, a precision of 89%, and a recall of 80%.

Keywords: glaucoma; LVQ; GLCM

Abstrak: Glaukoma merupakan penyakit mata penyebab kebutaan nomor dua setelah katarak. Pemeriksaan penyakit glaukoma dilakukan oleh dokter spesialis mata dengan cara skrining mata yang akan menghasilkan citra retina. Hasil diagnosa citra retina oleh dokter bersifat subjektif karena setiap dokter memiliki pendapat yang berbeda serta kondisi yang dialami. Penelitian ini membangun sistem untuk mengidentifikasi citra retina mata kedalam kategori penderita glaukoma atau normal. Tujuan pembuatan sistem ini sebagai alat bantu bagi dokter mata dalam mendiagnosa glukoma. Proses ini diawali dengan mengubah warna citra menjadi keabuan, kemudian citra tersebut diekstraksi menggunakan Gray Level Co-occurrence Matrix (GLCM) dan menghasilkan lima nilai fitur yang kemudian hasil dari kelima fitur tersebut digunakan sebagai masukan jaringan syaraf tiruan Learning Vector Quantization (LVQ). Jumlah data citra retina yang digunakan sebanyak 60 data untuk learning dan 20 data untuk testing. Dan untuk jumlah neuron yang digunakan yaitu 12 dan epoch sebanyak 1000 yang didapat berdasarkan hasil perbandingan variasi terhadap neuron sejumlah 8, 10, 12, 18, 20 dengan jumlah epoch sejumlah 500, 900, 1000 dan 1100. Hasil dari proses learning yaitu nilai bobot yang akan digunakan sebagai bobot di proses testing. Hasil penelitian ini diperoleh tingkat akurasi sebesar 85%, presisi sebesar 89% dan recall sebesar 80%.

Kata kunci: glaukoma; LVQ; GLCM