Retinopati diabetik merupakan sebuah penyakit komplikasi umum dari diabetes

militus. Komplikasi tersebut berupa kerusakan pada bagian retina mata dan dapat

menyebabkan kebutaan. Retinopati diabetik merupakan faktor terbesar penyebab

hilangnya pengelihatan dalam periode lima puluh tahun terakhir. Hilangnya

pengelihatan karena penyakit ini dapat diredam dengan deteksi dini terhadap retinopati

diabetik, salah satunya dengan melakukan klasifikasi menggunakan metode machine

learning. Pada penelitian ini menggunakan dataset retinopati diabetik dari UCI

Machine Learning Repository dengan 19 fitur dan 1151 data. Metode pengklasifikasi

yang digunakan yaitu Support Vector Machine, namun algoritma ini memiliki

kelemahan yaitu sulitnya dalam memilih fitur yang sesuai dan optimal dalam

melakukan proses menyelesaikan decision making sehingga menyebabkan tingkat

akurasi prediksi menjadi rendah. Kelemahan ini dapat ditangani dengan melakukan

selelsi fitur terhadap dataset retinopati diabetik. Pada penelitian ini dilakukan

perbandingan metode seleksi fitur algoritma genetika dan Binary PSO. Hasil penelitian

menunjukkan bahwa klasifikasi dengan seleksi fitur menggunakan algoritma genetika

dan Binary PSO menghasilkan kinerja lebih baik dari pada klasifikasi tanpa seleksi

fitur dengan peningkatan akurasi masing-masing sebesar 12,97% dan 16,87%.

Algoritma genetika dapat menyeleksi fitur dari total 19 fitur menjadi 7 fitur, sedangkan

Binary PSO genetika dapat menyeleksi fitur dari total 19 fitur menjadi 10 fitur.

Klasifikasi penyakit retinopati diabetik menggunakan support vector machine dengan

seleksi fitur Binary PSO menghasilkan kinerja lebih baik dengan akurasi sebesar

77,92%, recall sebesar 66,41% dan presisi sebesar 91,40% dibandingkan dengan

seleksi fitur menggunakan algoritma genetika yang menghasilkan akurasi sebesar

75,32%, recall sebesar 70,31% dan presisi sebesar 82,57%.