Klasifikasi Penyakit Paru-Paru Berdasarkan Citra X-Ray Dengan Metode Extreme Gradient Boost (XGBOOST)

Septiantio, Adi Surya (2023) Klasifikasi Penyakit Paru-Paru Berdasarkan Citra X-Ray Dengan Metode Extreme Gradient Boost (XGBOOST). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211940000110-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (5MB) | Request a copy

Abstract

Penyakit pada saluran pernafasan merupakan salah satu penyebab utama kematian secara global. Salah satu contohnya adalah Penyakit Paru Obstruktif Kronik (PPOK) yang ada pada urutan ketiga terbesar yang menyebabkan 3,23 juta kematian pada tahun 2019 menurut World Health Organization (WHO). Dokter dan tenaga medis lainnya, jika ingin mengetahui kondisi paru-paru dan mendeteksi adanya penyakit salah satu caranya adalah dengan menggunakan citra rontgen. Ahli radiologi menggunakan hasil rontgen untuk mendeteksi penyakit paru-paru dengan cara melihat citra tersebut. Namun, prosesnya membutuhkan waktu yang lama karena diperiksa secara manual. Di sisi lain, tenaga medis yang tersedia di setiap rumah sakit juga terbatas. Tugas akhir ini bertujuan untuk memprediksi seorang pasien mengidap penyakit paruparu berdasarkan citra x-ray paru-paru menggunakan metode XGBoost. Data yang digunakan adalah data yang diperoleh dari RS Islam Siti Hajar Sidoarjo. Data yang diperoleh sejumlah 518 citra x-ray paru-paru dengan rincian 236 paru-paru sehat, 133 terkena tuberculosis dan 149 terkena pneumonia. Metode XGBoost digunakan dalam melakukan klasifikasi untuk mencari kelas terbaik terhadap penyakit paru-paru dengan tuberculosis, pneumonia dan paruparu yang sehat. XGBoost adalah pohon regresi yang mempunyai aturan keputusan yang sama dengan decision tree. Algoritma ini dipilih karena XGBoost telah banyak digunakan dalam klasifikasi citra dan mempunyai performa yang lebih baik dalam segi kecepatan, skalabilitas, serta konsumsi memori. Model XGBoost yang didapatkan dengan akurasi terbaik adalah model XGBoost dengan proporsi data 60% data training dan 40% data testing dengan ukuran gambar 224 x 224 piksel. Hasil akurasi terbaik yang didapatkan adalah 87.98% dan hasilnya 5.17% lebih akurat dan waktu proses yang dibutuhkan untuk membangun model 0.35 kali lebih cepat dibandingkan dengan metode SVM.
========================================================================================================================
Respiratory Disease are one of the leading causes of death globally. The example is Chronic Obstructive Pulmonary Disease (COPD), which is the third largest, causing 3.23 million deaths in 2019 according to the World Health Organization (WHO). Doctors and other medical personnel to determine the condition of the lungs and detect disease is to use X-ray images. Radiologists use X-ray results to detect lung disease by looking at the image. However, the process takes a long time because it is checked manually. On the other hand, the medical personnel available in each hospital are limited. This study aims to predict a patient with lung disease based on x-ray images of the lungs using the XGBoost method. The data used is obtained from Siti Hajar Sidoarjo Islamic Hospital. The data includes x-ray images of the lungs and the diagnosis of the patient's disease. The data obtained were 518 x-ray images of the lungs with details of 236 healthy lungs; 133 had tuberculosis, and 149 had pneumonia. The XGBoost method is used in classifying to find the best class for lung diseases with tuberculosis, pneumonia, and healthy lungs. XGBoost is a regression tree that has the same decision rules as the decision tree. This algorithm was chosen because XGBoost has been widely used in image classification and has better performance in terms of speed, scalability, and memory consumption. The XGBoost model obtained with the best accuracy is the XGBoost model with a proportion of 60% training data and 40% testing data with an image size of 224 x 224 pixels. The best accuracy results obtained are 87.98% and the results are 5.17% more accurate and the processing time required to build the model is 0.35 times faster than the SVM method.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Paru-paru, Chest X-Ray, Klasifikasi, Extreme Gradient Boost, Lung Disease, Chest X-Ray, Classification, Extreme Gradient Boosting.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Adi Surya Septiantio
Date Deposited:	17 Jul 2023 02:37
Last Modified:	17 Jul 2023 02:37
URI:	http://repository.its.ac.id/id/eprint/98492

Actions (login required)

View Item