Hasil Pencarian  ::  Simpan CSV :: Kembali

"Retinopati Diabetik adalah salah satu penyakit pada retina disebabkan oleh komplikasi diabetes yang dapat berujung pada kebutaan. Retinopati Diabetik tidak bisa dideteksi langsung secara kasat mata karena tanda-tandanya berada di bagian syaraf retina. Dari beberapa penelitian yang telah dilakukan pendeteksian Retinopati Diabetik dimungkinkan dapat dilakukan dengan melakukan klasifikasi menggunakan data citra retina atau yang biasa disebut sebagai citra fundus. Dalam penelitian ini diterapkan metode segmentasi citra yaitu Watershed dan Efficient Graph-Based beserta metode klasifikasi yaitu K-Nearest Neighbor dan Support Vector Machine dalam pendeteksian Retinopati Diabetik. Dari hasil implementasi, metode untuk segmentasi Efficient Graph-Based menggunakan data citra fundus dari DIARETDB0 diperoleh nilai akurasi, recall, dan precision lebih tinggi dibandingkan dengan metode segmentasi Watershed.

---

Diabetic Retinopathy is one of disease on retina because of Diabetic complication that can cause blindness. Diabetic Retinopathy cant detected directly from the eyes because sign of Diabetic Retinopathy itself is in the eyes nerve. From several research that has been done prove that Diabetic Retinopathy can be detected by using retinas image or usually called fundus image.

In this research use segmentation method that is Watershed and Efficient Graph-Based with classification method that is K-Nearest Neighbor and Support Vector Machine for detection of Diabetic Retinopathy. From the implementation result, the Efficient Graph-Based segmentation method using fundus image data from the DIARETDB0 obtained that the accuracy, recall, and precision score is higher than Watershed segmentation method."

"Penelitian ini menerapkan dan menganalisa teknik pengolahan citra untuk deteksi kanker paru-paru. Teknik pengolahan citra banyak digunakan di beberapa masalah medis untuk perbaikan citra dalam deteksi fase dan pengobatan dini. Penelitian ini mengusulkan metode deteksi kanker paru-paru berbasis segmentasi citra. Segmentasi citra adalah salah satu pengolahan tingkat menengah dalam pengolahan citra. Pendekatan wilayah dan watershed digunakan untuk proses segmentasi citra CT scan. Fase deteksi yaitu peningkatan kualitas citra menggunakan filter Gabor, segmentasi citra, dan ekstraksi fitur dengan binerisasi. Dari hasil percobaan, ditemukan efektivitas dari pendekatan tersebut. Fitur utama untuk mendeteksi kanker adalah dengan menggunakan perbandingan yang dilakukan dengan persentase piksel dan penanda citra.

---

In this undergraduate thesis, we implement and analyze the image processing method for detection of lung cancer. Image processing techniques are widely used in several medical problems for repairs picture in the phase detection and early treatment. This research proposed a detection method of lung cancer using image segmentation. Image segmentation is one of intermediate level processing in image processing. Marker control and watershed approach are used to segment of CT scan image. Detection phases are followed by image enhancement using Gabor filter, image segmentation, and features extraction with binarization. From the experimental results, we found the effectiveness of our approach. The main detected features for accurate images comparison are mask labeling with high accuracy and robust."

"Retinopati diabetik merupakan salah satu bentuk komplikasi diabetes melitus yang diekspresikan dengan adanya kerusakan pada pembuluh darah retina mata. Pada tahap awal, retinopati diabetik seringkali tidak menimbulkan gejala atau hanya menimbulkan gejala yang ringan. Namun, jika tidak mendapatkan penanganan yang baik, retinopati diabetik dapat menyebabkan kebutaan. Maka dari itu, akses skrining yang terjangkau menjadi esensial untuk mencegah efek jangka panjang dari penyakit ini. Penelitian ini berfokus pada pengembangan sistem deteksi retinopati diabetik berbasis deep learning yang bertujuan untuk meningkatkan aksesibilitas terhadap skrining retinopati diabetik. Model deteksi yang dibuat dalam penelitian ini yaitu model model berbasis Vision Transformer (ViT) B32 yang dibandingkan performanya dengan model convolutional neural network (CNN) berarsitektur DenseNet-121 dan. Model DenseNet-121 yang dilatih menggunakan gambar yang di-pre-process dengan teknik Ben Graham dan datanya di upsample memiliki performa terbaik dibandingkan teknik lainnya yang diteliti penelitian ini. Teknik pre-processing yang menghasilkan model CNN terbaik itu kemudian diimplementasikan pada model ViT untuk dibandingkan. Selain mengungguli model CNN, model ViT juga berhasil mengungguli model state of the art yang ada dengan nilai accuracy, precision, recall, dan f1-score masing-masing senilai 96%. Model ViT ini kemudian diintegrasikan dengan graphical user interface (GUI) untuk memudahkan dokter dalam memanfaatkan model yang diusulkan untuk skrining retinopati diabetik.

---

Diabetic retinopathy is a complication of diabetes mellitus characterized by damage to the blood vessels of the retina. In its early stages, diabetic retinopathy often does not present symptoms or only causes mild symptoms. However, without proper treatment, diabetic retinopathy can lead to blindness. Therefore, affordable screening access is essential to prevent the long-term effects of this disease. This research focuses on the development of a deep learning-based detection system for diabetic retinopathy, aiming to enhance the accessibility of diabetic retinopathy screening. The detection model developed in this study is based on the Vision Transformer (ViT) B32 model, and its performance is compared with the DenseNet-121 convolutional neural network (CNN) architecture. The DenseNet-121 model, trained using images pre-processed with the Ben Graham technique and upsampled data, showed the best performance compared to other techniques investigated in this study. The pre-processing technique that yielded the best CNN model was then implemented on the ViT model for comparison. In addition to outperforming the CNN model, the ViT model also surpassed the existing state-of-the-art models with an accuracy, precision, recall, and F1-score of 96% each. This ViT model was subsequently integrated with a graphical user interface (GUI) to facilitate doctors in utilizing the proposed model for diabetic retinopathy screening."

"Retinopati diabetik adalah kelainan vaskular retina yang disebabkan oleh diabetes jangka panjang. Deteksi dini retinopati diabetik pada pasien diabetes diperlukan karena tidak ada gejala yang terlihat selama tahap awal penyakit. Para peneliti mengembangkan metode berbasis komputer untuk membantu dokter dalam proses deteksi dini. Dokter dapat menggunakan output dari metode tersebut sebagai pertimbangan dalam mediagnosis tipe retinopati diabetik yang diderita pasien. Salah satu metode yang populer adalah deep learning. Pada penelitian ini, dibangun gabungan dua algoritma deep learning, yaitu Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM) untuk deteksi retinopati diabetik dengan output berupa caption yang menjelaskan kondisi yang ada pada citra fundus pasien. CNN digunakan untuk mengekstraksi fitur lesi retinopati diabetik pada citra fundus, dan LSTM digunakan untuk membuat caption berdasarkan fitur lesi tersebut. Penelitian ini menggunakan empat model CNN, yakni AlexNet, pre-trained AlexNet, GoogleNet, dan pre-trained GoogleNet. Simulasi gabungan algoritma CNN-LSTM dilakukan dengan proporsi data yang berbeda menggunakan data set dari Rumah Sakit Cipto Mangunkusumo. Hasil simulasi menunjukkan bahwa gabungan algortima CNN-LSTM dapat mendeteksi fitur lesi dan membuat caption dengan rata-rata kinerja akurasi tertinggi sebesar 91.69% untuk model pre-trained GoogleNet-LSTM dan proporsi data 80% data training dan 20% data testing.

---

Diabetic retinopathy is a retinal vascular disorder caused by long-term diabetes. Early diabetic retinopathy detection in diabetes patients is needed because no symptoms can be seen during the early stage of disease. The researchers developed a computer-based method to assist ophthalmologists in the early detection process. Ophthalmologists can use the output of the method as a consideration in diagnosing the type of diabetic retinopathy. One of the popular methods is deep learning. In this study, a combination of two deep learning algorithms, namely Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM), was constructed for diabetic retinopathy detection with the output in the form of a caption that explains the condition present in the patient’s fundus images. CNN is used to extract features of diabetic retinopathy lesions on fundus images, and LSTM is used to generate a caption based on those lesion features. This study used four CNN models that are AlexNet, pre-trained AlexNet, GoogleNet, and pre-trained GoogleNet. Simulation of a combined CNN-LSTM algorithm has been done with the different proportions of data using a data set from Cipto Mangunkusumo National General Hospital. The simulation results show that a combined CNN-LSTM algorithm can detect lesion features and generate caption with the highest average performance accuracy of 91.69% for pre-trained GoogleNet-LSTM and the proportion 80% training data and 20% testing data."

"Sambungan las pada material perlu diuji dengan metode Non-Destructive Testing untuk memastikan spesifikasi desain dan fungsi material terpenuhi serta menjamin keamanan dan keandalan, karena cacat pada sambungan las dapat terjadi selama proses pengelasan. Deteksi cacat las merupakan bagian dari evaluasi citra radiografi yang dilakukan oleh ahli radiografi. Evaluasi citra radiografi dengan metode konvensional memiliki beberapa kekurangan, di antaranya proses pengolahan citra secara konvensional kompleks dan lama, hasil interpretasi yang terlalu subjektif, kurang konsisten terutama pada jumlah citra yang banyak, dan bias pada cacat yang serupa. Kekurangan ini dapat dikompensasi melalui otomatisasi evaluasi menggunakan algoritma deep learning dan computer vision berbasis YOLO. Penelitian ini membangun model deteksi dan segmentasi cacat las menggunakan arsitektur YOLOv8. Dataset yang digunakan adalah citra radiografi dengan bentuk penampang las horizontal dari database GDXRay dan citra radiografi elips (DWDV) dari hasil akuisisi dengan metode computed radiography. Penerapan teknik augmentasi citra geometri dan mosaik diterapkan untuk mengatasi keterbatasan dataset. Keluaran yang dihasilkan dari penelitian ini adalah model yang dibangun dapat melakukan deteksi dan segmentasi sebanyak 10 jenis cacat las, yaitu crack, cavity, excessive penetration, incomplete penetration, lack of fusion, porosity, slag inclusion, tungsten inclusion, undercut, dan worm-hole dengan nilai mAP untuk model yang dibangun dengan teknik augmentasi geometri adalah mAP50 = 0.798 dan mAP50-95 = 0.603 untuk bounding box, serta mAP50 = 0.790 dan mAP50-95 = 0.530 untuk mask. Sementara nilai mAP pada model yang dibangun dengan teknik augmentasi mosaik adalah mAP50 = 0.907 dan mAP50-95 = 0.743 untuk bounding box, serta mAP50 = 0.896 dan mAP50-95 = 0.648 untuk mask. Model deteksi dan segmentasi yang telah dibangun diharapkan dapat membantu operator dan ahli radiografi, serta calon operator dan ahli radiografi dalam mengevaluasi cacat las dengan lebih efisien dan akurat.

---

..Non-Destructive Testing needs to be performed on welded joints in materials to ensure that design specifications and material functions are fulfilled, as well as safety and reliability, due to defects in welded joints that may occur during the welding process. The evaluation of radiographic images includes the detection of weld defects by radiographers. Conventional radiographic image evaluation is more complex and time-consuming, subjective, inconsistent, especially in large numbers of images, and occasionally biased with respect to defects with similar features. This limitation can be compensated for by using YOLO-based deep learning and computer vision algorithms for evaluation automation. Using the YOLOv8 architecture, this study develops a detection and segmentation model for weld defects. A radiographic image with a horizontal weld region from the GDXRay database and an elliptical radiographic image (DWDV) from the acquisition using the computed radiography method represent the dataset. In order to overcome the limitations of the dataset, the geometric and mosaic image augmentation techniques were utilized. The mAP values for models built using the geometric augmentation are mAP50 = 0.798 and mAP50-95 = 0.603 for bounding boxes, and mAP50 = 0.790 and mAP50-95 = 0.530 for masks. Meanwhile, the mAP values for the model built using the mosaic augmentation are mAP50 = 0.907 and mAP50-95 = 0.743 for bounding boxes, and mAP50 = 0.896 and mAP50-95 = 0.648 for masks. The proposed model is able to detect and segment up to ten classes of weld defects, including cracks, cavities, excessive penetration, incomplete penetration, lack of fusion, porosity, slag inclusion, tungsten inclusion, undercut, and worm-hole. It is expected that the proposed detection and segmentation model will aid radiographers in evaluating weld defects more precisely and efficiently."

"Retinopati Diabetik (RD) merupakan salah satu penyakit yang dapat menyebabkan penurunan fungsi penglihatan pada mata, bahkan dapat menyebabkan kebutaan jika penanganan yang dilakukan tidak tepat. Upaya penanganan penyakit RD dapat dilakukan dengan deteksi dini. Melalui pendeteksian dini, pasien RD dapat diobati sesuai dengan tingkat keparahan yang diderita. Namun, pemeriksaan penyakit RD membutuhkan waktu yang lama dan hanya dapat dilakukan oleh profesional.Para peneliti telah mengembangkan sistem deteksi pengklasifikasian penyakit RD yang dengan memanfaatkan perkembangan teknologi seperti penerapan Artifficial Intelligence (AI) pada gambar fundus. Dalam penelitian ini, peneliti mengaplikasikan Attention Mechanism (AM) pada Convolutional Neural Network (CNN) untuk selanjutnya menganalisis dan mengevaluasi hasil dari kinerja algoritma tersebut dalam mengklasifikasikan RD ke dalam level normal, mild, moderate, severe dan PDR. AM berfokus pada daerah yang berpenyakit dan CNN digunakan untuk proses klasifikasi. Arsitektur CNN yang digunakan adalah AlexNet dan GoogleNet. Phyton digunakan sebagai bahasa pemrograman dengan perpustakaan Pytorch. Hasil performa akurasi yang paling tinggi diperoleh oleh GoogleNet dan AM dengan capaian akurasi mencapai 85%. Performa model pada tiap-tiap kelas menunjukkan nilai akurasi terbaik pada kelas normal, severe, dan PDR dengan capaian nilai f-1 score masing-masing 86%, 90% dan 95%. Sementara untuk kedua kelas lainnya yaitu mild dan moderate cenderung lebih rendah, yaitu 73% dan 76%. Hal ini menunjukkan bahwa model mampu mengklasifikasikan kelas normal, Severe, dan PDR lebih baik daripada mild dan moderate.

---

Diabetic retinopathy (DR) is a disease that can cause decreased vision function in the eye, and can even lead to blindness. Efforts to treat DR disease can be done with early detection. Through early detection, DR patients can be treated according to their severity. However, DR disease examination takes a long time and can only be done by a professional.

Researchers have developed a detection system for classifying DR disease by technological developments such as the application of Artifficial Intelligence to fundus images. In this study, the researchers applied the Attention Mechanism (AM) to CNN to further analyze and evaluate the results of the algorithm's performance in classifying RD into normal, mild, moderate, severe and PDR levels. AM focused on pathological area in the fundus images and CNN is used as classifier. We used Architecture of CNN such AlexNet and GoogleNet. The results of the highest accuracy performance were obtained by GoogleNet and AM with the achievement of 85%. The performance of the model in each class shows the best accuracy values in the normal, severe, and PDR classes with the achievement of f-1 scores of 86%, 90% and 95%, respectively. Meanwhile, the other two classes, namely mild and moderate, tended to be lower, namely 73% and 76%. This shows that the model is able to classify normal, severe, and PDR classes better than mild and moderate."

"ABSTRAKDiabetik Retinopati adalah kelainan retina akibat komplikasi diabetes yang menyebabkan kebutaan. Seiring berkembangnya teknologi pengolahan citra, pendeteksian Diabetik Retinopati DR dimungkinkan melalui gambar retina yang disebut citra fundus dengan menggunakan ekstraksi ?tur. Dalam penelitian ini, diusulkan metode ekstraksi ?tur menggunakan Gray Level Co-occurrence Matrix GLCM . Penelitian ini mengusulkan sebuah metode dengan enam ?tur tekstur GLCM dengan klasi?kasi Naive Bayes. Dengan menggunakan tiga metode pengujian dan offset GLCM untuk dibandingkan, offset GLCM menghasilkan hasil yang lebih baik dengan accuracy 82.05 pada metode pengujian 70 train 30 test, accuracy 80 pada metode pengujian 5-Fold Cross Validation, accuracy 80.77 pada metode pengujian 10-Fold Cross Validation. Hasil ini akan menjelaskan seberapa akurat Naive Bayes untuk mengklasi?kasikan citra fundus normal atau citra DR.

---

ABSTRAKDiabetic Retinopathy is retinal disorders resulting from diabetes complications that lead to blindness. As the development of technology in image processing, detection of Diabetic Retinopathy DR was possible through retinal images called fundus image using feature extraction. In this paper, a feature extraction method using Gray Level Co occurrence Matrix GLCM is proposed. This paper proposed a method with six textural features of GLCM with Naive Bayes classifier. Using three testing methods and offset of GLCM to compare with, the offset of GLCM achieves a better result with an Accuracy of 82.05 for 70 training data and 30 testing data method, Accuracy of 80.00 for 5 fold Cross Validation method, Accuracy of 80.77 for 10 fold Cross Validation method. These results will explain how accurate Naive Bayes to classify normal fundus image or DR fundus image."

"Tujuan: Untuk mengetahui pengaruh suplementasi pycnogenol 150 mg perhari selama 8 minggu terhadap amplitudo dan waktu implisit pada gelombang b dan oscillatory potential (OP) ERG skotopik retinopati diabetik nonproliferatif ringan dan sedang.Metode: Uji klinik acak tersamar. Empat puluh subjek dengan retinopati diabetik nonproliferatif ringan sedang diacak dan dibagi menjadi dua kelompok, 20 subjek mendapat pycnogenol, 20 subjek mendapat pycnogenol. Pengukuran objektif dilakukan sebelum pemberian suplementasi dan 8 minggu setelahnya, yang meliputi amplitudo gel.b, waktu implisit gel.b, amplitudo sum OP, waktu implisit sum OP .Hasil: Pada kelompok pycnogenol sebelum perlakuan, amp gel.b 397,9±109,6μV, waktu implisit gel.b 48,7 (44,3-68,2) ms, amp sum OP 193,05 (15,2-498,9) μV dan waktu implisit sum OP 126,18± 7,8ms. Setelah 8 minggu pada kelompok pycnogenol, amp gel.b 396,2±115,7 μV, waktu implisit gel.b 47,8 (43,4-58,4)ms, amp sum OP 228,45 (16,3-511,8) μV dan waktu implisit sum OP 126,2 (118,2-137) ms. Pada kelompok plasebo sebelum intervensi, amp gel.b 349± 79 μV, waktu implisit gel.b 48,7 (44,3-68,2) ms, amp sum OP 101,45 (28,3-301,2) μV dan waktu implisit sum OP 130 (121,6-163,5) ms. Setelah 8 minggu pada kelompok plasebo, amp gel.b 334,65±70,3 μV, waktu implisit gel.b 49,15 (44,3 -68,2) ms, amp sum OP 124,9 (51,3-303,8)μV dan waktu implisit sum OP 130 (121,6-163,5) ms. Tidak terdapat perbedaan bermakna secara statistik pada semua keluaran.Kesimpulan: Tidak terdapat perbedaan yang bermakna secara statistik parameter amplitudo gel.b, waktu implisit gel.b, amplitudo sum OP, waktu implisit sum OP dari pemberian pycnogenol 150 mg sehari selama 8 minggu pada retinopati diabetik nonproliferatif ringan sedang.

---

Objective: This study is to evaluate the effect of eight weeks supplementation of 150 mg pycnogenol, to b-wave amplitude, b-wave implicit time, sum Oscillatory Potential (OP) amplitude and sum Oscillatory Potential (OP) implicit time on Electroretinography (ERG) result of mild - moderate nonproliferative diabetic retinopathy (NPDR) patient, compared to plasebo.Methods: Randomized clinical trial of 40 mild - moderate NPDR patients, which further equally divided into two groups. The b-wave amplitude (amp), b-wave implicite time (it), sum OP amplitude (amp), sum OP implicit time (it) ERG were evaluated before and after eight weeks pycnogenol supplementationResults:The ERG results of pycnogenol group before intervention were as follows: b wave amp 397,9±109,6μV, b-wave it 48,7 (44,3-68,2) ms, sum OP amp 193,05 (15,2-498,9) μV and sum OP it 126,18± 7,8ms. After 8 weeks in pycnogenol group, b wave amp 396,2±115,7 μV, b wave it 47,8 (43,4-58,4)ms, sum OP amp 228,45 (16,3-511,8) μV and sum OP it 126,2 (118,2-137) ms. Meanwhile in placebo group before intervention, the b wave amp was 349± 79 μV, b-wave it 48,7 (44,3-68,2) ms, sum OP amp 101,45 (28,3-301,2) μV and sum OP it 130,8±8,4 ms. After 8 weeks in placebo group, b wave amp 334,65±70,3 μV, b-wave it 49,15 (44,3 -68,2) ms, sum OP amp 124,9 (51,3-303,8)μV and sum OP it 130 (121,6-163,5) ms. No statistical significant differences in all outcomeConclusions: No significant differences in b-wave amplitude, b-wave implicite time, sum OP amplitude and sum OP implicit time ERG after 150 mg pycnogenol supplementation for 8 weeks in mild-moderate NPDR compare with placebo."

"Retinopati diabetik merupakan komplikasi mikrovaskular akibat hiperglikemi pada diabetes melitus, komplikasi tersebut memberikan dampak bagi pasien berupa penurunan fungsi penglihatan sehingga dapat mempengaruhi kualitas hidup. Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor-faktor yang berhubungan dengan kualitas hidup pasien retiopati diabetik.Metode penelitian ini adalah potong lintang/cross sectional dengan pendekaran observasi analitik.Jumlah responden sebanyak 160 pasien. Hasil penelitian menunjukan bahwa faktor – faktor yang tidak berhubungan dengan kualitas hidup adalah jenis kelamin (p=0,617) dan kepuasan pengobatan (P=0,106). Faktor-faktor yang berhubungan dengan kualitas hidup pasien retinopati diabetik adalah usia (p=0,002), lama menderita DM (p=0,005), derajat keparahan retinopati diabetik (p=0,0001), stress (p=0,045), dukungan keluarga (p=0,024), status fungsional (p=0,046). Pasien retinopati diabetik yang memiliki usia kurang dari 50 tahun, lama menderita DM lebih dari 10 tahun, derajat DR NPDR) dan dukungan keluarga baik berpeluang mengalami kualitas hidup baik sebesar 40%. Hasil analisis multivariat menunjukan faktor yang paling dominan berhubungan dengan kualitas hidup pasien retinopati diabetik adalah dukungan keluarga dengan nilai OR= 4,172(CI 95%= 1,860; 16,414). Dengan penelitian ini di harapkan dapat menjadi acuan bagi perawat dalam mengembangkan pola asuhan keperawatan pada pasien gangguan penglihatan terkait kualitas hidup pasien.

---

Diabetic retinopathy is a microvascular complication due to hyperglycemia in diabetes mellitus, this complication affects the patient in the form of decreased visual function so that it can affect the quality of life. The purpose of this study was to identify factors related to the quality of life of diabetic retiopathy patients. The method of this study is cross sectional / cross sectional with an analytic observation approach. The number of respondents was 160 patients. The results showed that factors not related to quality of life were gender (p = 0.617) and treatment satisfaction (P = 0.106). Factors related to the quality of life of diabetic retinopathy patients were age (p = 0.002), duration of DM (p = 0.005), severity of diabetic retinopathy (p = 0.0001), stress (p = 0.045), family support ( p = 0.024), functional status (p

= 0.046). Diabetic retinopathy patients who have a age of less than 50 years, long suffering from diabetes more than 10 years, level of severity is DR (NPDR) and good family support have the opportunity to experience a good quality of life of 40%. The results of multivariate analysis showed that the most dominant factor related to the quality of life of patients with diabetic retinopathy was family support with an OR value of 4.172 (95% CI = 1.860; 16.414). With this research, it is hoped that it can become a reference for nurses in developing patterns of nursing care for vision impaired patients regarding the quality of life of patients"

"ABSTRACTDiabetik Retinopati adalah salah satu penyebab utama kebutaan dari penderita diabetes. Untuk mencegah kebutaan dan memberikan pengobatan yang efektif, diperlukan suatu metode pendeteksian yang lebih dini untuk Diabetik Retinopati. Terdapat beberapa metode inspeksi manual untuk mendeteksi Diabetik Retinopati, tetapi membutuhkan banyak waktu dan usaha yang berat. Dalam penelitian ini, diajukan metode pendeteksian Diabetik Retinopati dengan menggunakan pendekatan Shallow Learning yang mencakup Neural Network, Support Vector Machines, dan Random Forest. Data yang digunakan untuk membangun model classifier terdiri dari kelas Diabetik Retinopati DB, kelas Age-related Macular Degeneration AMD, dan kelas Normal. Dari hasil percobaan, pendekatan klasifikasi dengan metode Support Vector Machines memiliki hasil yang lebih baik dibandingkan dengan metode Random Forest dan Neural Network. Pada klasifikasi multi-class DB, Normal, dan AMD, metode Support Vector Machines memperoleh nilai akurasi 100 dan sensitivity 100 pada 75 data training, dan memperoleh nilai akurasi 94,87 dan sensitivity 93,33 pada 25 data testing.

---

ABSTRACTDiabetic Retinopathy is one of the leading causes of blindness from diabetic patients. To prevent blindness and provide an effective treatment, an early detection of Diabetic Retinopathy is needed. Methods for detecting Diabetic Retinopathy by manual inspections exist, but very time consuming and require tedious work. In this study, Diabetic Retinopathy detection method is proposed, by using Shallow Learning approach that consists of Neural Network, Support Vector Machines, and Random Forest. The data used to build the classifier models are Diabetic Retinopathy DB class, Age related Macular Degeneration AMD class, and Normal class. From experimental results, classification approach using Support Vector Machines yielded better results compared to Random Forest and Neural Network. On multi class DB, Normal, and AMD classification, Support Vector Machines method obtained 100 accuracy and 100 sensitivity for 75 training data, and 94,87 accuracy and 93,33 sensitivity for 25 testing data. "