Electronic Theses and Dissertation

Citra X-ray adalah teknik pencitraan medis yang menggunakan sinar-X untuk menampilkan struktur bagian dalam dada, terutama paru-paru, jantung, dan tulang rusuk. Namun, citra X-ray sering memiliki kontras dan pola tekstur yang mirip antara paru sehat dan paru terinfeksi sehingga sulit dibedakan secara visual. Oleh sebab itu, dibutuhkan teknik yang mampu membedakan paru sehat dan paru terinfeksi. Penelitian ini bertujuan mengintegrasikan teknik ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM), Histogram of Oriented Gradients (HOG), dan Local Binary Pattern (LBP). Gabungan fitur tersebut diuji menggunakan dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan Random Forest (RF), untuk meningkatkan akurasi serta menilai efektivitas kombinasi fitur bentuk dan tekstur dalam mendeteksi penyakit paru. Dataset yang digunakan terdiri dari 947 citra X-ray Paru-paru yang berasal dari Rumah Sakit Umum Daerah dr. Zainoel Abidin di Banda Aceh dan mencakup tiga kategori utama, yaitu Normal, Pneumonia, dan COVID-19. Tahap pra-pemrosesan meliputi pembacaan citra menggunakan OpenCV dalam format grayscale serta penyeragaman ukuran menjadi 128 × 128 piksel untuk memastikan konsistensi data sebelum proses ekstraksi fitur. Evaluasi performa model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model HOG - SVM mencapai performa terbaik dengan akurasi 94%, precision 0,94, recall 0,94, dan F1-score 0,94, sedangkan model GLCM + LBP + HOG - RF menunjukkan kinerja kompetitif dengan akurasi 93% dan F1-score 0,93. Secara keseluruhan, metode yang diusulkan mampu memberikan kinerja yang baik dan efisien untuk klasifikasi citra medis.

Chest X-ray (CXR) is a medical imaging technique that uses X-rays to visualize internal structures of the chest, particularly the lungs, heart, and ribs. However, X-ray images often exhibit similar contrast and texture patterns between healthy and infected lungs, making them difficult to distinguish visually. Therefore, a technique is required to effectively differentiate between healthy and infected lungs. This study aims to integrate feature extraction techniques, namely Gray Level Co-occurrence Matrix (GLCM), Histogram of Oriented Gradients (HOG), and Local Binary Pattern (LBP). These combined features are evaluated using two classification algorithms, Support Vector Machine (SVM) and Random Forest (RF), to improve accuracy and assess the effectiveness of combining shape and texture features in detecting lung diseases. The dataset consists of 947 X-ray chest images (CXR) obtained from Dr. Zainoel Abidin Regional General Hospital in Banda Aceh, covering three main categories: Normal, Pneumonia, and COVID-19. The preprocessing stage includes image loading using OpenCV in grayscale format and resizing all images to 128 × 128 pixels to ensure data consistency before feature extraction. Model performance is evaluated using accuracy, precision, recall, and F1-score. Experimental results show that the HOG - SVM model achieves the best performance with an accuracy of 94%, precision of 0.94, recall of 0.94, and an F1-score of 0.94. Meanwhile, the GLCM + LBP + HOG - RF model demonstrates competitive performance with an accuracy of 93% and an F1-score of 0.93. Overall, the proposed method provides good and efficient performance for medical image classification.