Lailannafisa, Azila (2025) PENERAPAN EKSTRAKSI FITUR LBP-GLCM DAN XGBOOST UNTUK KLASIFIKASI PNEUMONIA MENGGUNAKAN CITRA X-RAY. Undergraduate thesis, UPN Veteran Jawa Timur.
![]() |
Text (Cover)
Cover.pdf Download (1MB) |
![]() |
Text (Bab 1)
Bab 1.pdf Download (321kB) |
![]() |
Text (Bab 2)
Bab 2.pdf Restricted to Repository staff only until 8 July 2027. Download (625kB) |
![]() |
Text (Bab 3)
Bab 3.pdf Restricted to Repository staff only until 8 July 2027. Download (808kB) |
![]() |
Text (Bab 4)
Bab 4.pdf Restricted to Repository staff only until 8 July 2027. Download (1MB) |
![]() |
Text (Bab 5)
Bab 5.pdf Download (221kB) |
![]() |
Text (Daftar Pustaka)
Daftar Pustaka.pdf Download (225kB) |
![]() |
Text (Lampiran)
Lampiran.pdf Restricted to Repository staff only until 8 July 2027. Download (820kB) |
Abstract
Pneumonia merupakan infeksi paru-paru yang dapat menyebabkan kematian apabila tidak dideteksi dan ditangani secara dini. Dalam dunia medis, citra X-ray dada kerap digunakan sebagai alat bantu diagnosis, namun interpretasinya masih bergantung pada subjektivitas tenaga ahli. Oleh karena itu, dibutuhkan sistem klasifikasi otomatis yang dapat membantu mendeteksi pneumonia secara cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi pneumonia berbasis citra X-ray dengan menerapkan metode ekstraksi fitur Local Binary Pattern (LBP) dan Gray Level Co-occurrence Matrix (GLCM), serta algoritma klasifikasi Extreme Gradient Boosting (XGBoost). Data yang digunakan dalam penelitian ini merupakan citra X-ray paru-paru yang terdiri dari dua kelas, yaitu pneumonia dan normal, dengan total 5000 citra yang diperoleh dari RSU Dr. Wahidin Sudiro Husodo. Data tersebut melalui tahapan preprocessing. Ekstraksi fitur dilakukan menggunakan LBP dan GLCM untuk memperoleh informasi tekstur, yang kemudian digunakan sebagai input bagi model XGBoost. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kombinasi ekstraksi fitur LBP-GLCM dan XGBoost menghasilkan performa terbaik dengan nilai akurasi sebesar 96%, presisi 95%, recall 99%, dan F1-score 97%. Temuan ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan efektivitas klasifikasi citra medis dan berpotensi dikembangkan lebih lanjut sebagai sistem pendukung diagnosis otomatis pada kasus pneumonia. Kata kunci : Pneumonia, Citra X-ray, Local Binary Pattern (LBP), Gray Level Co-occurrence Matrix (GLCM), XGBoost, Klasifikasi Citra.
Item Type: | Thesis (Undergraduate) | ||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Contributors: |
|
||||||||||||
Subjects: | T Technology > T Technology (General) | ||||||||||||
Divisions: | Faculty of Computer Science > Departemen of Informatics | ||||||||||||
Depositing User: | Azila Laillannafisa | ||||||||||||
Date Deposited: | 08 Jul 2025 07:52 | ||||||||||||
Last Modified: | 08 Jul 2025 07:52 | ||||||||||||
URI: | https://repository.upnjatim.ac.id/id/eprint/39278 |
Actions (login required)
![]() |
View Item |