DETEKSI ANEMIA MELALUI CITRA KONJUNGTIVA MATA MENGGUNAKAN METODE HISTOGRAM OF ORIENTED GRADIENT (HOG) DAN KLASIFIKASI DECISION TREE

GHINA AZZAHRA SALSABILA

Informasi Umum

Kode

23.04.1835

Klasifikasi

621.367 - Technological photography and photo-optics, Spectrography, Stroboscopic photography, Image processing, Optical data processing

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Digital Image Processing

Dilihat

421 kali

Informasi Lainnya

Abstraksi

Anemia merupakan masalah kesehatan di dunia terutama di negara berkembang. Ada berbagai cara untuk mendeteksi anemia, salah satunya adalah dengan menguji kadar hemoglobin dalam darah. Umumnya untuk mendeteksi kadar hemoglobin pemeriksaan dilakukan secara invasive dengan cara mengambil sampel darah seseorang. Akan tetapi, seiring berkembangnya ilmu pengetahuan, pengukuran kadar hemoglobin dapat dilakukan melalui pemeriksaan alternatif yang bersifat non-invasive dengan cara melihat kepucatan pada konjungtiva mata.

Penelitian tugas akhir ini bertujuan untuk mendeteksi kondisi anemia melalui citra konjungtiva mata dengan metode ekstraksi ciri histogram of oriented gradient (HOG) dan klasifikasi decision tree. Citra konjungtiva terlebih dahulu melalui tahap pre-processing. Adapun tahapan pre-processing yaitu cropping, resize, dan konversi citra warna (RGB) ke grayscale. Setelah itu citra diproses pada tahap ekstrasi ciri dengan metode HOG. Selanjutnya adalah proses klasifikasi dengan metode decision tree.

Berdasarkan hasil pengujian menggunakan HOG dan decision tree terhadap 40 citra uji, dengan ukuran citra 256x128 diperoleh parameter terbaik yaitu cell size sebesar 8x8, block size sebesar 8x8, bin numbers sebesar 15, normalisasi block L2-Hys, kriteria entropy, splitter best, random state 10, dan minimum impurity decrease 0.15, sistem mampu menghasilkan performansi terbesar 82.5% dengan waktu komputasi 25.63 detik. Sementara itu ketika digunakan metode klasifikasi pembanding yaitu metode regresi logistik dengan optimizer stochastic gradient descent (SGD) diperoleh parameter terbaik cell size sebesar 16x16, block size sebesar 8x8, bin numbers sebesar 11, normalisasi block L2-Hys, dan random state 30, sistem mampu menghasilkan performansi terbesar 92.5% dengan waktu komputasi 24.20 detik.