Implementasi Ekstraksi Fitur dalam Deteksi Pneumonia

Abstract

Pneumonia adalah infeksi paru-paru yang menjadi salah satu penyebab utama kematian di seluruh dunia. Deteksi dini yang cepat dan akurat sangat penting dalam penanganan penyakit ini. Penelitian ini bertujuan mengembangkan sistem klasifikasi pneumonia berbasis citra X-ray dengan menggabungkan ekstraksi fitur Local Binary Pattern (LBP) dan Gray Level Co-occurrence Matrix (GLCM), serta menggunakan algoritma XGBoost untuk proses klasifikasi. Metode yang digunakan mencakup pemrosesan citra, yaitu konversi citra ke grayscale, median filtering, dan adaptive histogram equalization. Fitur tekstur diekstraksi menggunakan LBP dan GLCM untuk memperoleh informasi yang lebih mendalam. Selanjutnya, model XGBoost dilatih dengan mengoptimalkan hyperparameter melalui teknik random search. Hasil eksperimen menunjukkan bahwa model yang dikembangkan memperoleh akurasi 97,27%, presisi 99,28%, recall 96,69%, dan F1-score 98,11%. Penelitian ini membuktikan bahwa kombinasi LBP, GLCM, dan XGBoost dapat menjadi alternatif yang efisien dalam deteksi pneumonia, dengan keunggulan akurasi tinggi dan efisiensi komputasi dibandingkan dengan teknik deep learning yang memerlukan sumber daya lebih besar.