Deteksi Dan Klasifikasi Stadium Katarak Senilis Berdasarkan Citra Mata Menggunakan Metode Support Vector Machine (svm)

Abstract

Abstrak Mata merupakan indera krusial bagi hidup. WHO mengestimasi lebih dari tujuh juta manusia menjadi buta tiap tahunnya. Pada survey nasional tahun 2014 dilaporkan kelaziman katarak mencapai 1.8%. Dengan berkembangnya teknologi, pengolahan citra digital kini dapat dikembangkan untuk memproses fitur-fitur pada tubuh manusia. Hal ini memungkinkan pendeteksian katarak menjadi lebih mudah memanfaatkan fitur-fitur tersebut. Data citra berasal dari capture alat pemeriksa mata slit-lamp yang sudah di crop bagian pupil nya secara manual. Data tersebut masuk kedalam sistem yang dirancang untuk membagi stadium katarak senilis berdasarkan jenisnya: imatur, matur, dan normal. Proses grayscaling dan resizing data citra dilakukan pada pre-processing, metode GrayLevel Co-Occurrence Matrix pada ekstraksi ciri sistem dan klasifikasi menggunakan metode Support Vector Machine yang mengandalkan hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas data pada ruang input. Program ini mampu mendeteksi dan mengklasifikasi stadium penyakit katarak senilis menjadi tiga: imatur, matur, dan normal. Hasil pengujian menunjukkan variabel layer Green pada pre-processing, kombinasi sudut ketetanggan 0 o dan 45o pada GLCM, fungsi kernel Quadratic dan metode pemisahan hyperplane dengan Quadratic Programming pada SVM, menghasilkan akurasi terbaik yaitu yaitu 93.33% dengan kecepatan komputasi 0.631 detik. Kata Kunci: katarak, Gray-Level Co-Occurance Matrix, Support Vector Machine Abstract The eye is the crucial senses of life. WHO estimates more than seven million people become blinded each year. In a national survey of 2014 it was reported that the prevalence of cataracts reached 1.8%. With the development of technology, digital image processing can now be developed to process the features of the human body. This allows cataract detection to be easier to take advantage of these features. Image data comes from the capture of the slit-lamp eye inspector that has been cropped in the pupil manually. Then goes into systems designed to divide senile cataract stages by type: immature, mature, and normal. Grayscale, and resizing on data is done on pre-processing, Gray-Level Co-Occurrence Matrix method in feature extraction, and Support Vector Machine classify data that relies on the best hyperplane to separate two data classes in the input space. This program can detect and classify the stage of senile cataract stages into three: immature, mature, and normal. The test results show the Green layer variables on pre-processing, combination of co-occurrence angle 0o and 45o on GLCM, Quadratic kernel function and hyperplane separation method with Quadratic Programming on SVM, resulting the best accuracy of 93.33% with computing speed 0.632 seconds. Keywords: cataract, Gray-Level Co-Occurrence matrix, Support Vector Machine