ekstraksi Fitur Optical Disk Pada Citra Digital Fundus Mata

JUDUL EKSTRAKSI FITUR OPTIC DISK PADA CITRA DIGITAL FUNDUS MATA LATAR BELAKANG Mata adalah salah satu alat indra yang menurut saya paling penting, karena mata berguna untuk melihat dan berperan utama untuk segala aktifitas manusia. Walaupun terdapat sedikit gangguan pada mata kita, itu akan mengganggu kegiatan kita yang lainnya. Misal seorang mahasiswa memiliki mata minus walaupun minusnya hanya relative kecil, itu akan mengganggu kegiatan dalam membaca sebuah tulisan di papan tulis ataupun proyektor. Itu hanya gangguan kecil pada mata kita, dapat dibayangkan apa yang akan terjadi kalau mata kita mengalami gangguan serius ataupun sampai tidak berfungsi sama sekali ataupun kebutaan. Salah satu penyakit mata yang sangat akut adalah Diabetic retinopathy (DR). Diabetic retinopathy (DR) atau penyakit mata diabetes adalah salah satu komplikasi penyakit diabetes yang berupa kerusakan pada bagian retina mata. Diabetic retinopathy merupakan penyebab utama kebutaan pada penderita diabetes di seluruh dunia, disusul katarak. Bila kerusakan retina sangat berat, seorang penderita diabetes dapat menjadi buta permanen sekalipun dilakukan usaha pengobatan. Di Amerika Serikat (AS), sekitar setengah dari seluruh penderita diabetes mengalami penyakit mata ini. Data Poliklinik Mata RS Cipto Mangunkusumo (RSCM) yang tidak dipublikasikan menunjukkan bahwa retinopati diabetik merupakan kasus terbanyak yang dilayani di Klinik Vitreo-Retina. Dari seluruh kunjungan pasien Poliklinik Mata RSCM, jumlah kunjungan pasien dengan retinopati diabetik meningkat dari 2,4 persen tahun 2005 menjadi 3,9 persen tahun 2006. Sementara itu data pasien yang berobat di RS Mata Undaan Surabaya, tahun 2007 terdapat 205 pasien yang menderita diabetic retinopathy. Optic disk (OD) atau pusat syaraf mata adalah daerah pada mata tempat syaraf mata memasuki retina dan merupakan pertemuan seluruh syaraf mata. Optic disk juga merupakan referensi dari fitur-fitur lain dalam citra fundus. Untuk keberhasilan deteksi ketidaknormalan, seringkali diperlukan untuk memisahkan anatomi normal. Deteksi OD merupakan salah satu langkah penting dalam sistem diagnosa DR secara otomatis. Deteksi OD diperlukan untuk membedakannya dengan bright lesion (exudate) yang memiliki kemiripan karakteristik visual dengan OD. Pada penelitian yang dilakukan sebelumnya, beberapa metode telah digunakan untuk mendeteksi OD. Viranee Thongnuch dan Bunyarit Uyyanonvara menggunakan transformasi Hough lingkar, dan pada penelitian berikutnya menggunakan metode connected labelling. Transformasi watershed digunakan oleh Thomas Walter dan Jean-Claude Klein. Akara Sopharak et.al. menerapkan thresholding Otsu setelah pre-processing. Gabungan analisa entropi intensitas piksel dan komponen terkoneksi digunakan oleh Akara Sopharak et.al. Philips S. King menggabungkan pengklasteran Fuzzy dengan active contour. L. Gagnon et.al. menggunakan pengukuran jarak Hausdorrf setelah transformasi Haar-wavelet dan deteksi tepi ‘Canny’. Dan H. F. Jelinek et.al. menggabungkan operasi morfologi dengan deteksi tepi ‘Canny’. Masing-masing metode mempunyai kelebihan dan kekurangan. Namun dari semua metode yang sudah diaplikasikan, belum ada satupun metode yang bisa mendeteksi OD dengan akurasi 100%. RUMUSAN MASALAH Berdasarkan latar belakang masalah di atas, maka penelitian ini difokuskan untuk melakukan ekstraksi pada fitur optic disc (OD) pada citra digital fundus mata. Citra masukan yang digunakan adalah citra digital fundus mata. Penelitian ini akan dititikberatkan pada bagaimana mendapatkan area optic disc (OD) citra pada mata. BATASAN MASALAH Agar penelitian lebih sistematis dan terarah, ditentukan batasan masalah sebagai berikut: Citra yang digunakan adalah citra fundus mata. Pre-processing diarahkan untuk meningkatkan kontras dan menghilangkan pembuluh darah. Kontur OD didapatkan dengan menggunakan deformable model dan metode Template matching. Proses pendeteksian diimplementasikan menggunakan bahasa java TUJUAN PENELITIAN Penelitian ini bertujuan untuk mengembangkan suatu sistem yang mampu mendeteksi optic disc (OD) secara otomatis dan mendapatkan metode pendeteksian yang tepat. MANFAAT PENELITIAN Memberikan kontribusi bagi perkembangan pengolahan citra digital medis khususnya ekstraksi citra fundus Optic Disc (OD). Membantu ahli ophthalmologist dalam mendeteksi fitur Optic Disc (OD) sehingga mempermudah dalam proses pengobatan diabetic retinopathy. TINJAUAN PUSTAKA 7.1. Struktur Mata Mata adalah organ yang terkait dengan penglihatan, terletak pada suatu rongga yang disebut orbit dan terlindungi dari kontak langsung dengan udara luar oleh kelopak mata. Gambar dari struktur mata dan foto digital retina (citra fundus) ditunjukkan dalam gambar berikut. Gambar (a) Struktur Mata. (b) Foto Digital Retina. Mata merupakan organ penglihatan yang mendeteksi cahaya. Yang dilakukan mata yang paling sederhana tak lain hanya mengetahui apakah lingkungan sekitarnya adalah terang atau gelap. Mata yang lebih kompleks dipergunakan untuk memberikan pengertian visual. Mata manusia mirip dengan sebuah kamera. Cahaya yang datang melalui iris difokuskan di retina oleh lensa mata. Selanjutnya informasi visual ini dikirimkan ke otak melalui syaraf mata. 7.2. Optic Disc Optic disk (OD) adalah daerah pada mata tempat syaraf mata memasuki retina dan merupakan pertemuan seluruh syaraf mata. OD merupakan fitur mata yang mudah diamati, sehingga letak OD menjadi referensi dalam menentukan letak fitur-fitur lain dalam citra fundus. OD mempunyai intensitas yang hampir sama dengan exudate, yaitu gejala DR yang tampak pada citra fundus. Ekstraksi OD akan sangat menentukan proses diagnosa DR secara otomatis. OD harus dipisahkan dari fitur-fitur penyakit agar tidak terjadi salah diagnosa yang bisa berakibat fatal. 7.3. Diabetic Retinopathy Diabetic retinopathy merupakan komplikasi pembuluh darah mikro pada penderita diabetes. DR ditandai dengan perubahan pada retina, meliputi perubahan diameter pembuluh darah, microaneurysm, hard exudate, cotton wool, haemorrhage dan tumbuhnya pembuluh darah baru. Microaneurysm merupakan titik merah kecil di antara pembuluh darah retina. Hal ini terjadi karena merupakan komplikasi dari penyakit diabetes, dimana pembuluh darah kecil di retina melemah dan rusak akibat kadar glukosa darah yang tinggi. Pada saat pembuluh darah melemah, ia pun tersumbat dan mengakibatkan terjadinya bengkak pada mata sehingga penglihatan kabur. Sekalipun kemudian pembuluh darah baru mulai terbentuk, pembuluh darah baru ini sangatlah lemah sehingga mudah pecah dan menyebabkan darah bocor ke vitreous (cairan yang mengisi bagian belakang mata). Darah yang bocor akan menghalangi cahaya yang masuk untuk dapat mencapai retina. Pada kondisi retinopathy yang memburuk dan tidak dilakukan penanganan lebih lanjut, dapat mengakibatkan kebutaan karena pembentukan jaringan parut yang menarik retina menjauh dari bagian belakang mata. Seiring dengan kebocoran darah, lemak dan protein juga ikut keluar dari pembuluh darah titik terang kecil yang dinamakan exudate. Selanjutnya beberapa bagian dari retina menjadi isemik (kekurangan darah). Area isemik ini tampak pada retina sebagai gumpalan bulu halus berwarna putih yang dinamakan noda cottonwool. Sebagai tanggapan atas daerah isemik ini, muncullah pembuluh darah baru untuk menyuplai lebih banyak oksigen ke retina. Pembuluh darah baru ini dinamakan neovascularisation, beresiko lebih besar untuk pecah dan menyebabkan haemorrhage atau meledaknya pembuluh darah secara terus menerus yang lebih luas. Keberadaan DR dapat dideteksi dengan menganalisa karakteristiknya pada retina. Gambar Citra Fundus dengan Gejala DR. (a) Microaneurysm. (b) Haemorrhage. (c) Exudate. (d) Noda Cottonwool 7.4. Ekstraksi Menurut arti katanya, ekstraksi berarti pemisahan dua zat yang berdasarkan perbedaan jenisnya. Secara umum ada beberapa pendekatan yang banyak digunakan antara lain : Teknik threshold, yaitu pengelompokan citra sesuai dengan distribusi properti pixel penyusun citra. Teknik region-based, yaitu pengelompokkan citra kedalam region-region tertentu secara langsung berdasar persamaan karakteristik suatu area citranya. edge-based methods, yaitu pengelompokkan citra kedalam wilayah berbeda yang terpisahkan karena adanya perbedaan perubahan warna tepi dan warna dasar citra yang mendadak. Pendekatan pertama dan kedua merupakan contoh kategori pemisahan image berdasarkan kemiripan area citra, sedangkan pendekatan ketiga merupakan salah satu contoh pemisahan daerah berdasarkan perubahan intensitas yang cepat terhadap suatu daerah. 7.5. Deformable Model Deformable model adalah kurva yang didefinisikan dalam domain citra, bisa bergerak karena pengaruh gaya internal dari model itu sendiri serta gaya eksternal yang dihitung dari data citra. Gaya internal dan eksternal didefinisikan sedemikian sehingga model melingkupi batas suatu objek atau fitur lain yang diinginkan. Deformable model digunakan secara luas dalam banyak aplikasi, termasuk deteksi tepi, shape modelling, ekstraksi dan motion tracking. Pergerakan dari deformable model dapat dirumuskan sebagai di mana adalah pergerakan deformable model, Fint(X) adalah gaya internal dan Fext(X) adalah gaya eksternal. 7.6. Metode Pengenalan Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Tujuan pengelompokan adalah untuk mengenali suatu objek dalam citra. Pengenalan pola telah menjadi bagian dari kecerdasan buatan (artificial intelegence), karena merupakan suatu kecerdasan maka pengenalan pola memerlukan fungsi-fungsi pengambil keputusan. Dari fungsi-fungsi inilah maka muncul berbagai teknik atau metode dalam mengenali suatu pola. Beberapa metode untuk memecahkan masalah pengenalan tulisan tangan telah disusun, tetapi sebagian besar metode yang digunakan dipinjam dari bidang pengenalan pola, pemrosesan sinyal (signal processing), dan analisis gambar (image analisys). Metode pengenalan dapat diklasifikasikan menjadi 3 kelompok utama, yaitu: statistical, model matching, model structural dan sintatical. Pada dasarnya metode pengenalan sangatlah mudah, setelah dilakukan proses awal, beberapa ciri kemudian diekstrak dari karakter yang tidak dikenal, kemudian diklasifikasikan ke dalam kelas-kelas yang memiliki banyak kemiripan dengan ciri-ciri tesebut. Tetapi permasalahannya ketika ditemukan gambaran dan perbedaan ciri, pemilihan cara untuk membandingkannya, dan juga ketika menciptakan aturan-aturan dalam proses pengklasifikasian. a. Model Matching Metode pengenalan model matching berdasarkan pada anggapan bahwa karakter tulisan tangan merupakan wujud penyimpangan dari model yang ideal. Penyimpangan tersebut diterangkan pada variasi gaya penulisan, mengubah orientasi skala penulisan, dan noise dari lingkungan dan peralatan. Di dalam OCR, model matching yaitu dengan membandingkan 2 gambar, tetapi di dalam pengenalan secara online biasanya dengan pencocokan kurva. 1. Pencocokan Model (Template Matching) Salah satu cara pendekatan yang mudah dan terawal dalam pengenalan pola adalah pencocokan model (template matching). Template matching merupakan proses pengenalan karakter dengan cara membandingkan karakter yang ada pada dokumen dengan karakter pada template, untuk mencari karakter yang memiliki nilai kemiripan terbesar dengan template. Template matching sering digunakan untuk pengenalan karakter hasil print dan beberapa objek yang sederhana. Setiap piksel dari karakter memiliki nilai 0 sedangkan background dari karakter tersebut memiliki nilai 255. Proses template matching dilakukan dengan menggerakkan template ke seluruh posisi yang mungkin pada citra. Metode ini merupakan metode yang paling sederhana dalam pengenalan pola. Metode ini menghitungkan jarak dari data ke template dan juga untuk masing-masing template, dan juga membangkitkan nilai kemungkinan dari kemiripan input data dengan template, pola dibandingkan dengan pola yang telah ada (Vori, 1998: 178). Pola dibandingkan begitu saja tanpa mencari ciri dari pola itu sendiri. Metode ini akan menghasilkan performasi yang memuaskan bila memenuhi hal-hal berikut: a) Jumlah pola data yang berbeda sedikit b) Variasi yang ada pada pola yang sama sedikit c) Antara pola yang berbeda harus mempunyai perbedaan yang besar Diagram proses template matching dapat dilihat pada gambar di bawah ini Gambar Contoh diagram proses template matching Jika template berdasarkan kata yang lengkap dan bukan karakter, kemudian suatu gerakan selalu menjadi sub kelompok dari kata dan mungkin untuk melakukan pengenalan tidak dibatasi atau kursif . Sistem pengenalan lain yang didasarkan pada template matching telah mengandalkan teori bahwa semua tulisan tangan terbuat dari beberapa bentuk dasar. Proses segmentasi dipotong dari penulisannya sampai pada elemen dasar dan penggolong label tersebut berdasarkan template yang memiliki mode sama dengan sistem stroke matching. Sistem tersebut dapat digunakan untuk mengarahkan kursif atau pengenalan yang tidak dipaksa dan juga bisa digunakan untuk menurunkan kerumitan pada gaya penulisan. b. Elastic Matching Elastic matching biasa disebut dengan Dynamic Time Warping (DTW), merupakan metode pencocokan non-linear yang digunakan dalan pengenalan suara. Metode ini mulai dikembangkan sekitar tahun 1970-an dan dikenalkan menjadi metode pengenalan tulisan akhir tahun 1970-an. (Beigi, 1998: 79) Metode elastic matching digunakan dalam pengenalan tulisan tangan tidak bisa merasakan penyimpangan dikarenakan perbedaan kecepatan menulis. Misalnya: variasi dari total angka dan pendistribusian titik sample dalam karakter. c. Model Structural dan Sintatical Metode structural dan sintatical digunakan untuk pengenalan pola yang bermcam-macam dengan dibandingkan dengan struktur pola tertinggi sehingga dapat digunakan dalam pengklasifikasian. Ada dan ketiadaan dari ciri-ciri yang pasti dalam pola tidak selalu cukup informasi untuk pengelompokannya, beberapa informasi tentang hubungan ciri-ciri juga diperlukan. Prinsip dari metode ini adalah bahwa pola tertentu dapat diekspresikan sebagai komposisi dari pola–pola yang sederhana yang dapat diwakilkan oleh pernyataan-pernyataan seperti garis lurus dan kurva. Hasil dari metode ini dapat optimal jika struktur pola tidak kompleks dan masih dapat diekstrak ke dalam pola dasar pembentuknya. Di dalam metode sintatical, ciri-ciri ditemukan pada pola dengan mempertimbangkan kesederhanaan untuk suatu bahasa formal. Bahasa tersebut terdiri dari syarat-syarat tata bahasa yang mendefinisikan kemungkinan hubungan dari ciri-ciri, atau dengan kata lain mendefinisikan struktur pola (Munir, 2004: 245). Ciri-ciri yang sangat mendasar digambarkan dengan simbol bahasa (the terminal symbols of the language). Pada metode structural juga berdasar pada analisis ciri dan hubungannya. Yang membedakan dari kedua metode tersebut yaitu pada syntactical klasifikasinya tidak menggunakan penguraian tetapi mencocokkan dan dengan berbagai macam aturan untuk mengambil suatu keputusan. 7.7. Penelitian Terkait Beberapa penelitian sudah dilakukan sebelumnya, baik secara khusus membahas optic disk ataupun membahas optic disk sebagai bagian dari diagnosa penyakit mata. Beberapa di antaranya disebutkan berikut: Ulinuha, Masy Ari. 2009. Segmentasi Optic Disc Pada Penderita Diabetic Retinophaty Menggunakan GVF Snake. Skripsi, Jurusan Teknik Elektro Fakultas Teknologi Industri ITS Surabaya. Hasil dari penelitian ini adalah mendapatkan kualitas hasil segmentasi yang lebih baik daripada segmentasi menggunakan traditional snake dan segmentasi menggunakan metode J. David et.al. Hastiana, Rummi. 2010. Segmentasi Citra Digital Pembuluh Darah Mata Untuk Mendeteksi Tingkat Keparahan Diabetic Retinopathy. Skripsi, Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN Malang. Hasil dari penelitian ini adalah aplikasi untuk mendeteksi tingkat keparahan Diabetic Retinophaty. Pedro F. Felzenszwalb, dari Artificial Intelligence Lab, Massachusetts Institute of Technology. Efficient Graph-Based Image Segmentation. Dalam jurnal ini penulis mencoba untuk membuat sebuah segmentasi dengan metode graph sederhana. C. Sinthanayothin, J.F. Boyce, T.H. Williamson, H.L.Cook. Laporan hasil dari suatu pendeteksian otomatis tentang diabetic retinopathy pada digital fundus image dengan Recursive Region Growing Segmentasi (RRGS) dengan algoritma 10x10 window METODE PENELITIAN Persiapan proposal Pada tahap persiapan proposal yang merupakan tahap awal penelitian ini adalah proses penyusunan proposal penelitian atau skripsi dan pencarian literature-literatur yang terkait, antara lain jurnal-jurnal luar negeri maupun dalam negeri dan penelitian-penelitian sejenis yang sudah pernah dilakukan. Lokasi penelitian Lokasi penelitian yang diambil adalah di klinik spesialis mata kota Malang. Sumber Data Sumber data berupa gambar fundus retina penderita diabetic retinopathy diambil dari penelitian sebelumnya dengan format PNG dan dari literatur-literatur lainnya yang berupa jurnal-jurnal luar negeri. Image menggunakan resolusi 1500 x 1152 pixel dengan 24 bit. Desain penelitian Studi Literatur Pada tahap ini dilakukan berbagai pengumpulan informasi terkait beberapa hal berikut : Pengumpulan informasi tentang bagaimana cara mengolah data-data yang telah dikumpulkan dengan metode yang telah ditentukan. Pengumpulan informasi mengenai apa saja yang diperlukan dalam pembuatan aplikasi ini. Pencarian informasi mengenai implementasi metode yang diambil dari penelitian yang sudah dilakukan sebelumnya. Tahapan penelitian Proses ekstraksi optic disk digambarkan dalam diagram blok berikut: Citra Fundus Grayscale Meningkatkan kontras Pre-processing Menghilangkan noise: filter median Ekstraksi Optic Disk Deteksi fitur Optic Disc dengan Deformable Model Membandingkan hasil dengan ekstraksi manual Verifikasi Gambar Diagram Blok ekstraksi Optic Disk Penjelasan alur: Input citra fundus mata Tahap awal dari ekstraksi optic disc ini adalah memasukkan gambar (citra fundus mata) yang sudah tersedia dengan cara mem-browse dari hard drive, selanjutnya diolah pada proses pre-processing. Pre-processing Sebelum citra mengalami pemrosesan lebih lanjut, perlu dilakukan proses awal (preprocessing) terlebih dahulu, yaitu pengolahan citra (image) dengan tujuan mendapatkan gambar dengan pola yang dapat dikode kan. Preprocessing merupakan kumpulan dari proses yang digunakan untuk dapat menghasilkan ekstraksi yang terbaik. Preprocessing yang digunakan adalah, konversi, konvolusi dan filterisasi. Konversi Konvolusi & Filtering Mulai Selesai Gambar Flowchart Preprocessing Tahap awal Preprocessing adalah tahap Konversi. Dalam hal ini, proses konversi yang dilakukan adalah proses konversi dari citra RGB menjadi Grayscale ( gambar tingkat warna abu abu). Citra retina yang diterima adalah citra berwarna, sehingga terlebih dahulu perlu dilakukan proses konversi ke grayscale untuk mendapatkan citra dengan arah keabuan. Hal ini digunakan untuk menyederhanakan model citra. Grayscale merupakan suatu istilah untuk menyebutkan satu citra yang memiliki warna putih, abu abu dan hitam, dengan warna hitam sebagai warna minimal dan putih sebagai warna maksimal. Nilai dari setiap titik citra yang akan dikoversi akan disamakan nilai Merah, hijau dan biru nya sehingga tiap titik hanya memiliki satu nilai saja yang disebut nilai Gray level. Selanjutnya adalah tahap Konvolusi & Filtering. Pertama tama yang dilakukan adalah peningkatan Contras. Mengubah kontras suatu citra merupakan proses pengaturan nilai range interval pada setiap nilai derajat keabuan dan di definisikan dengan: xk = kx dimana : x adalah nilai derajat keabuan k adalah nilai kontras xk adalah nilai setelah pengaturan kontras. Selanjut nya yaitu penghilangan derau/noise dilakukan dengan penapisan menggunakan filter median. Filter median dipilih karena filter ini paling cocok untuk menghilangkan derau/noise yang bersifat ekstrim seperti derau ‘salt and pepper’. Selain itu filter median bermanfaat untuk menghaluskan citra. Ekstraksi Optic Disk Deformable model adalah kurva yang didefinisikan dalam domain citra, bisa bergerak karena pengaruh gaya internal dari model itu sendiri serta gaya eksternal yang dihitung dari data citra. Gaya internal dan eksternal didefinisikan sedemikian sehingga model melingkupi batas suatu objek atau fitur lain yang diinginkan. Deformable model digunakan secara luas dalam banyak aplikasi, termasuk deteksi tepi, shape modelling, segmentasi dan motion tracking. [14]. Pergerakan dari deformable model dapat dirumuskan sebagai di mana adalah pergerakan deformable model, Fint(X) adalah gaya internal dan Fext(X) adalah gaya eksternal. Verifikasi Hasil ekstraksi optic disk dibandingkan dengan ekstraksi manual oleh dokter mata. Selanjutnya dihitung akurasi, sensitivitas dan specificitasnya. PENULISAN DAN PEMBUATAN LAPORAN Penulisan dan pembuatan laporan merupakan tahap akhir dari penelitian ini, dimana merupakan pendokumentasian dari semua proses penelitian mulai dari awal sampai akhir. JADWAL PENELITIAN No. Jenis Kegiatan Bulan ke - I II III IV V 1 Persiapan proposal 2 Pengumpulan data 3 Perancangan sistem 4 Implementasi sistem 5 Ujicoba dan Pengembangan 6 Penulisan Laporan DAFTAR PUSTAKA Basuki, Achmad, Jozua F. Palandi, dan Fatchurrochman. 2005. Pengolahan Citra Menggunakan Visual Basic. Yogyakarta: Graha Ilmu Marvin Ch. Wijaya dan Agus Prijono. 2007. Pengolahan Citra Digital Menggunakan Matlab. Bandung: Informatika. Sigit, R, Basuki, A, Ramadijanti, dan Pramadihanto, D. 2005. Step by Step Pengolahan Citra Digital. Yogyakarta: Andi. Dini Nuzulia Rahmah, Handayani Tjandrasa, Anny Yuniarti, Implementasi Segmentasi Pembuluh Darah Retina Pada Citra Fundus Mata Berwarna Menggunakan Pendekatan Morfologi Adaptif, Teknik Informatika, Fakultas Teknologi Informasi, ITS Hastiana, Rummi. 2010. Segmentasi Citra Digital Pembuluh Darah Mata Untuk Mendeteksi Tingkat Keparahan Diabetic Retinopathy. Skripsi, Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN Malang Kadek Yota Ernanda Aryanto, I Ketut Eddy Purnama, Segmentasi Pembuluh Darah Pada Citra Retina Menggunakan Max-Tree dan Attribute Filtering, Jurusan Teknik Elektro ITS Surabaya, Jawa Timur Ulinuha, Masy Ari. 2009. Segmentasi Optic Disc Pada Penderita Diabetic Retinophaty Menggunakan GVF Snake. Skripsi, Jurusan Teknik Elektro Fakultas Teknologi Industri ITS Surabaya. http://id.wikipedia.org/wiki/Retina diakses pada jam 7.47 tanggal 17 februari 2012 http://www.optikmelawai.com/index.cfm?fuseaction=home.detail&csection=eye_info&id=239 diakses pada jam 20.40 tanggal 17 februari 2012 http://www.totalkesehatananda.com/diabeticeye2.html diakses pada jam 6.25 tanggal 18 februari 2012 http://anfau.wordpress.com/2011/12/12/segmentasi-optic-disk-pada-penderita-diabetic-retinopathy/ diakses pada jam 6.31 tanggal 18 februari 2012. http://id.wikipedia.org/wiki/Ekstraksi diakses pada jam 6.56 tanggal 23 februari 2012 16