PERBANDINGAN TINGKAT PENGENALAN CITRA DIABETIC RETINOPATHY PADA KOMBINASI PRINCIPLE COMPONENT DARI 4 CIRI BERBASIS METODE SVM (SUPPORT VECTOR MACHINE)

Perbedaan pigmentasi mempengaruhi me­­­­tode pengenalan pola citra retinopati di­a­betik beserta set­ting poinnya. Di­butuhkan sebuah pe­rangkat lunak, yang mampu menjadi alat bantu pengenalan citra retinopati diabetik. Telah dilakukan penelitian tentang pe­nge­nalan po­la citra retinopati dia­be­tik, dengan meng­gunakan citra kanal ku­ning (Yello­w), dengan menggunakan filter gabor dan ciri yang diambil dari tiap citra ada­lah ciri rerata (Means), variasi Varians), skewness dan entropy, yang dilanjutkan de­ngan ekstraksi ciri  PCA (Principle Com­­ponent Analysis). Pada ekstraksi ci­ri PCA, Matriks hasil PCA meru­pakan ma­triks bujur sangkar, yang jumlah ko­lom­nya, sama dengan jumlah ciri. Pe­ne­li­tian menggunakan 4 ciri, dengan de­mi­­kian, terdapat 4 buah PC (Principle Com­ponent), PC1, PC2, PC3 dan PC4. Pada artikel ini akan dibahas mengenai tingkat akurasi tertinggi dari peng­gunaan pasangan PC. Tingkat aku­ra­si, dihitung dengan meng­gu­­nakan mo­del linear dari SVM. Model de­ngan akurasi tertinggi dan tercepat ada­lah model pasangan PC1 dan PC2, yang mempunyai akurasi citra pem­be­lajaran tertinggi yaitu 100% dan waktu terce­pat, yang secara eksplisit diperli­hat­kan pada jumlah support vektor ter­kecil, yaitu 2. Pasa­ngan yang mempu­nyai ting­kat akurasi terburuk adalah PC3 dan PC4. Pengenalan turun pada citra pengu­jian, yaitu hanya 93,75%, hal ini disebabkan oleh pelebaran daerah ca­ku­pan. Pelebaran daerah cakupan ke­mungkinan disebabkan oleh pemi­lihan nilai rerata pada PCA, sebelum matriks reduksi. Pada penelitian berikutnya, bi­sa dilakukan dengan menggunakan pencarian nilai standart deviasi atau varians, dengan begitu, akan diketahui matriks reduksi yang mewakili sebaran angka pada matriks. DOI: 10.24843/MITE.1501.17