Klasifikasi Penyakit Mata Menggunakan Support Vector Machine Dan Random

Penyakit mata seperti katarak dan diabetic retinopathy merupakan penyebab utama gangguan penglihatan yang dapat berakhir pada kebutaan jika tidak dideteksi sejak dini. Penelitian ini bertujuan untuk menganalisis kinerja dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dengan kernel RBF dan Random Forest, dalam mengkategorikan citra mata. Dataset yang digunakan berasal dari Kaggle dengan total 900 citra, yang terbagi seimbang menjadi tiga kelas: 300 katarak, 300 diabetic retinopathy, dan 300 normal. Proses data meliputi preprocessing (resizing dan augmentasi), ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG), serta pembagian data menjadi 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM mencapai akurasi sebesar 97%, presisi 96%, recall 96%, dan F1-score 96%. Sementara itu, algoritma Random Forest menghasilkan akurasi sebesar 91%, presisi 90%, recall 90%, dan F1-score 90%. Berdasarkan hasil tersebut, SVM terbukti lebih unggul dibandingkan Random Forest dalam mengklasifikasikan citra mata. Penelitian ini memberikan gambaran bahwa pemilihan algoritma yang tepat sangat berpengaruh terhadap kualitas prediksi, serta dapat menjadi dasar pengembangan sistem pendukung keputusan di bidang kesehatan, khususnya dalam deteksi dini penyakit mata.

Kata Kunci: Histogram of Oriented Gradients,Klasifikasi Penyakit Mata,Random Forest, Support Vector Machine.