Peningkatan Akurasi Algoritma Support Vector Machine Menggunakan Dual-Tree Complex Wavelet Transform Pada Klasifikasi Citra Katarak dan Normal

Abstract

Penyakit mata katarak adalah salah satu penyebab utama gangguan penglihatan dan kebutaan di dunia. Penyakit katarak dapat diidentifikasi melalui citra medis untuk klasifikasi atau diagnosis gangguan pada mata. Pada penelitian ini, dilakukan cropping citra menggunakan ROI (Region Of Interest) dengan operasi morfologi pada citra mata pada tahap pre-processing. Pemilihan ROI di pupil mata karena bagian ini mempresentasikan daerah katarak pada mata sekaligus meningkatkan hasil ekstraksi fitur menggunakan operasi morfologi. Adapun metode klasifikasi yang digunakan adalah algoritma Support Vector Machine. Pada tahap klasifikasi, sistem akan menerima masukan berupa citra asli. Citra asli tersebut dilanjutkan dengan proses pre-processing dan ekstraksi fitur dengan operasi morfologi dan ROI. Selanjutnya, dilakukan proses peningkatan kualitas citra menggunakan Dual-Tree Complex Wavelet Transform (DTCWT). Hasil DTCWT tersebut, kemudian mengubah matriks menjadi koefisien wavelet serta dihitung mean dan standar deviasi untuk setiap matriks. Hasil koefisien tersebut dijadikan sebagai input pada Support Vector Machine. Dari perhitungan akurasi klasifikasi citra katarak dan normal menggunakan SVM sebelum ditambah DTCWT menghasilkan akurasi 91,66% sedangkan klasifikasi citra katarak dan normal menggunakan SVM ditambah peningkatan kualitas citra DTCWT menghasilkan akurasi 96,16%.