Detail Cantuman

KLASIFIKASI BRONKOPNEUMONIA PADA CITRA X-RAY DADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN EKSTRAKSI FITUR HOG, LBP, DAN GLCM

BRAMANTIO SYAHRUL ALAM / 15-2021-178 - Personal Name
0426097801 - Jasman Pardede, Dr., S.Si., MT. - Personal Name
Text English 2025 Teknik Informatika : FTI

Pneumonia adalah penyakit inflamasi pada jaringan paru-paru, khususnya alveoli, di mana kantung udara terisi cairan atau nanah akibat infeksi. Hal ini mengganggu pertukaran oksigen dan karbon dioksida, menyebabkan gejala seperti batuk berdahak, demam, nyeri dada, dan kesulitan bernapas. Bronkopneumonia merupakan tipe pneumonia yang disebabkan oleh infeksi epitel bronkus oleh mikroorganisme seperti Staphylococcus aureus, Haemophilus influenzae, dan jamur. Infeksi ini menimbulkan peradangan akut dengan ulserasi epitel dan pembentukan eksudat fibrinopurulen yang cepat menyebar melalui dinding saluran napas ke lobulus paru-paru di sekitarnya.
Penelitian ini mengevaluasi efektivitas metode ekstraksi fitur GLCM, LBP, HOG, serta kombinasi ketiganya dalam mengklasifikasikan bronkopneumonia dari citra X-ray dada. Selain itu, penelitian ini mengkaji pengaruh penerapan PCA sebagai metode reduksi dimensi, baik sebelum maupun setelah penggabungan fitur, untuk menentukan strategi optimal dalam meningkatkan performa klasifikasi.
Pendekatan klasifikasi menggunakan Support Vector Machine (SVM) dengan berbagai fungsi kernel seperti radial basis function (RBF), polinomial, dan sigmoid diterapkan. SVM dievaluasi pada set fitur tunggal maupun gabungan yang diperoleh dari HOG, GLCM, dan LBP. Penalaan hiperparameter dan pelatihan model dilakukan untuk menemukan kombinasi kernel dan fitur terbaik dalam membedakan kasus bronkopneumonia dan normal.
Model GLCM + HOG dengan penerapan PCA menunjukkan performa terbaik dari segi akurasi, presisi, recall, dan f1 score. Hal ini terjadi karena kombinasi antara fitur tekstur global (GLCM) dan fitur kontur lokal (HOG) mampu merepresentasikan karakteristik citra X-ray secara lebih kaya dan saling melengkapi. Penerapan PCA memperkuat kinerja model dengan mereduksi dimensi fitur, menyaring informasi yang paling relevan, dan mengurangi
viii
gangguan dari fitur yang tidak signifikan. Reduksi ini tidak hanya mempertahankan kualitas informasi, tetapi juga meningkatkan efisiensi proses klasifikasi, yang ditunjukkan oleh penurunan waktu komputasi sebesar 13.8%. Hasil ini menunjukkan bahwa penggabungan fitur sebelum reduksi dimensi lebih efektif dibandingkan penerapan PCA secara terpisah.
Model klasifikasi terbaik diperoleh dengan kombinasi fitur GLCM dan HOG yang diproses menggunakan Principal Component Analysis (PCA) dengan 100 komponen utama, dan diklasifikasikan menggunakan Support Vector Machine (SVM) dengan kernel RBF. Model ini mencapai akurasi 83%, presisi 85%, recall 87%, dan F1-score hingga 84%, serta mampu mempercepat waktu pelatihan sekitar 13.8% berkat reduksi fitur yang efektif oleh PCA tanpa mengurangi akurasi.

Bronchopneumonia is an infection of the bronchial epithelium, including from certain types of fungi. This condition causes inflammation that obstructs gas exchange in the lungs, leading to symptoms such as cough, fever, chest pain, and difficulty breathing. With rising mortality risks, many studies aim to improve early detection via chest X-ray analysis. However, high classification accuracy remains a challenge due to complex visual patterns in medical images. This study integrates multiple feature extraction methods to address these limitations and enhance feature representation.
This study evaluates the effectiveness of GLCM, LBP, and HOG feature extraction techniques, both individually and in combination, for classifying bronchopneumonia from chest X-ray images. It also assesses the impact of Principal Component Analysis (PCA) as a dimensionality reduction technique, applied before and after feature combination, to determine the optimal classification strategy.
Feature extraction was performed using Gray Level Co-occurrence Matrix (GLCM), Local Binary Pattern (LBP), and Histogram of Oriented Gradients (HOG), applied both separately and in combination. Two schemes were tested: one without dimensionality reduction and one with PCA to reduce feature complexity. All features were then classified using Support Vector Machine (SVM) models with kernel types including RBF, polynomial, and sigmoid

The best performance was achieved by the GLCM + HOG model with PCA, due to the complementary nature of global texture (GLCM) and local contour (HOG) features. PCA improved performance by highlighting relevant information and reducing noise, while also decreasing training time by 13.8%.
The classification model using combined GLCM and HOG features, PCA with 100 components, and an SVM with RBF kernel achieved accuracy,
x
precision, recall, and F1-score of 83%, 85%, 87%, and 84%, respectively. This shows that PCA not only maintains classification quality but also improves training efficiency for bronchopneumonia detection from chest X-ray images

Ketersediaan

LOADING LIST...

Lampiran Berkas

LOADING LIST...

Detail Information

Bagian	Informasi
Pengarang	BRAMANTIO SYAHRUL ALAM / 15-2021-178 - Personal Name 0426097801 - Jasman Pardede, Dr., S.Si., MT. - Personal Name
No. Panggil	862IF/25
Subyek
Fakultas	FTI
Tahun Terbit	2025
Jurusan	Teknik Informatika
Deskripsi Fisik
Info Detil Spesifik

Tags :

Citation

APA Style

. (2025).KLASIFIKASI BRONKOPNEUMONIA PADA CITRA X-RAY DADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN EKSTRAKSI FITUR HOG, LBP, DAN GLCM().Teknik Informatika:FTI

Chicago Style

.KLASIFIKASI BRONKOPNEUMONIA PADA CITRA X-RAY DADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN EKSTRAKSI FITUR HOG, LBP, DAN GLCM().Teknik Informatika:FTI,2025.Text

MLA Style

.KLASIFIKASI BRONKOPNEUMONIA PADA CITRA X-RAY DADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN EKSTRAKSI FITUR HOG, LBP, DAN GLCM().Teknik Informatika:FTI,2025.Text

Turabian Style

.KLASIFIKASI BRONKOPNEUMONIA PADA CITRA X-RAY DADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN EKSTRAKSI FITUR HOG, LBP, DAN GLCM().Teknik Informatika:FTI,2025.Text

Detail Cantuman

KLASIFIKASI BRONKOPNEUMONIA PADA CITRA X-RAY DADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN EKSTRAKSI FITUR HOG, LBP, DAN GLCM

Detail Information

Citation

Homepage Info

Koleksi

Media Sosial / Kanal

Address