KLASIFIKASI PENYAKIT PADA CITRA X-RAY DADA MENGGUNAKAN SVM BERBASIS EKSTRAKSI FITUR VGG16

Tingginya tingkat kesalahan diagnosis akibat kompleksitas variasi penyakit paru pada citra x-ray dada mendorong pengembangan sistem klasifikasi yang lebih akurat dan andal. Model VGG16 mampu mengekstraksi fitur citra secara efektif, namun penggunaan softmax classifier pada model VGG16 belum tentu menghasilkan pemisahan kelas yang optimal, terutama pada citra dengan karakteristik visual yang saling menyerupai. Oleh karena itu, penelitian ini mengusulkan pendekatan hybrid VGG16-SVM dengan memanfaatkan VGG16 sebagai ekstraksi fitur dan Support Vector Machine (SVM) sebagai klasifikasi untuk meningkatkan performa klasifikasi citra x-ray dada. Data yang digunakan berasal dari Chest X-ray Images (Multiple Diseases) yang tersedia pada IEEE DataPort dan terdiri atas empat kelas, yaitu Covid-19, Pneumonia, Tuberculosis, dan Normal. Dataset dibagi menjadi data pelatihan dan data pengujian, dengan total 806 citra pada tahap pengujian. Proses ekstraksi fitur dilakukan menggunakan arsitektur VGG16 pretrained ImageNet, kemudian fitur yang dihasilkan digunakan sebagai masukan SVM dengan kernel Radial Basis Function (RBF). Penentuan hyperparameter optimal dilakukan menggunakan Grid Search dengan skema 5-fold cross validation. Berdasarkan hasil pengujian, model VGG16 baseline memperoleh akurasi sebesar 92,93%. Sementara itu, model hybrid VGG16-SVM memperoleh akurasi sebesar 95,41%. Hasil tersebut menunjukkan bahwa penggunaan SVM sebagai klasifikasi mampu memanfaatkan fitur hasil ekstraksi VGG16 secara lebih optimal sehingga meningkatkan akurasi sebesar 2,48% dibandingkan model baseline. Dengan demikian, pendekatan hybrid VGG16-SVM memberikan performa klasifikasi yang lebih baik pada citra x-ray dada.