<![CDATA[Infeksi telinga merupakan salah satu masalah kesehatan pada organ telinga yang sering terjadi pada manusia. Dengan perkembangan teknologi di bidang medis, metode klasifikasi citra menjadi salah satu pendekatan yang menjanjikan untuk membantu dalam mendeteksi infeksi telinga dengan cepat dan akurat. Penelitian ini bertujuan untuk membandingkan performa metode klasifikasi citra, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam mengklasifikasikan infeksi telinga pada citra telinga tengah. Citra telinga tengah yang digunakan merupakan citra otoskopi telinga yang terdiri dari beberapa kategori diantaranya adalah kategori Myringosklerosis, Telinga Normal, Sumbatan Kotoran Telinga, dan Otitis Media Kronik (COM). Data citra tersebut diolah dengan beberapa tahapan, yatu peningkatan kontras dan kualitas citra, ekstraksi Region of Interest (ROI) pada citra, ekstraksi fitur berbasis tekstur, dan tuning hyperparameter dari kedua metode SVM dan KNN. Berdasarkan hasil penelitian, metode SVM dengan kernel Linear berhasil mencapai akurasi yang lebih tinggi dibandingkan metode KNN dengan nilai k yang terbaik yaitu k = 1. Masing-masing metode dievaluasi menggunakan confusion matrix yang mencakup matriks akurasi, presisi, sensitivitas atau recall, dan F1-score. Dari tahapan pengujian yang dilakukan, didapatkan skor akurasi untuk SVM sebesar 87,50%, skor presisi sebesar 87,94%, skor sensitivitas sebesar 87,50%, dan F1-Score sebesar 87,50%, sedangkan untuk KNN didapatkan skor akurasi sebesar 72,50%, skor presisi sebesar 76,66%, skor sensitivitas sebesar 72,50%, dan F1-Score sebesar 71,80%.]]>
Copyrights © 2024
