PERBANDINGAN TEKNIK PENINGKATAN KONTRAS CITRA PADA KLASIFIKASI KESEHATAN MATA MENGGUNAKAN MODEL VGG19

Peningkatan kualitas citra melalui teknik preprocessing merupakan langkah penting dalam meningkatkan kinerja model Convolutional Neural Network (CNN) dalam klasifikasi citra medis. Penelitian ini bertujuan untuk menganalisis pengaruh penerapan teknik preprocessing Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Gamma Correction terhadap kinerja model CNN VGG19, serta mengevaluasi efektivitas kedua teknik tersebut dalam meningkatkan akurasi klasifikasi citra penyakit mata, seperti katarak, retinopati diabetik, dan glaukoma. Metode penelitian meliputi penerapan teknik CLAHE dan Gamma Correction pada dataset citra medis, diikuti dengan pelatihan dan evaluasi model CNN VGG19 menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil eksperimen menunjukkan bahwa penerapan CLAHE menghasilkan akurasi sebesar 71% dengan nilai rata-rata precision, recall, dan f1-score masing-masing sebesar 0,71; 0,76; dan 0,71. Sebaliknya, Gamma Correction menunjukkan performa yang lebih baik dengan akurasi mencapai 84%, serta nilai rata-rata precision, recall, dan f1-score sebesar 0,85; 0,86; dan 0,85. Penelitian ini menyimpulkan bahwa teknik Gamma Correction lebih efektif dalam meningkatkan kualitas citra dan kinerja model CNN VGG19 dibandingkan dengan CLAHE. Temuan ini diharapkan dapat menjadi acuan dalam pengembangan sistem berbasis kecerdasan buatan untuk klasifikasi citra medis, khususnya pada diagnosis penyakit mata.