Analisis Tekstur Berbasis GLCM dan Klasifikasi KNN-SVM untuk Identifikasi Pneumonia pada Citra Rontgen

Nirin Fathonah Hismaya, Nani Sulistianingsih

Abstract


Abstract: Pneumonia is a lung infection that can cause serious complications, so a quick and accurate diagnosis is essential. This study aims to identify pneumonia from chest X-ray images using the Gray-Level Co-Occurrence Matrix (GLCM) feature extraction method and compare the classification performance between Support Vector Machine (SVM) and K-Nearest Neighbour (KNN). The dataset used was obtained from Kaggle and has gone through the preprocessing and extraction stages of texture features using GLCM. Model evaluation is carried out based on accuracy, precision, recall, and F1-score. The results show that SVM has an initial validation accuracy of 89.46% and a testing accuracy of 76.1%. After parameter tuning, the accuracy of the SVM increased to 93.97%, indicating better performance than the KNN, which only achieved 81.61% validation accuracy and 73.72% test accuracy. SVM is also more stable in classifying pneumonia than KNN, which shows weakness in detecting normal categories. Thus, the SVM model with tuning is the best choice in detecting pneumonia based on texture analysis of chest X-ray images.

Abstrak: Pneumonia merupakan penyakit infeksi paru yang dapat menyebabkan komplikasi serius, sehingga diagnosis yang cepat dan akurat sangat diperlukan. Penelitian ini bertujuan untuk mengidentifikasi pneumonia dari citra rontgen dada menggunakan metode ekstraksi fitur Gray-Level Co-Occurrence Matrix (GLCM) dan membandingkan performa klasifikasi antara Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Dataset yang digunakan diperoleh dari Kaggle dan telah melalui tahap preprocessing serta ekstraksi fitur tekstur menggunakan GLCM. Evaluasi model dilakukan berdasarkan akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SVM memiliki akurasi validasi awal sebesar 89,46% dan akurasi pengujian sebesar 76,1%. Setelah tuning parameter, akurasi SVM meningkat hingga 93,97%, menunjukkan performa yang lebih baik dibandingkan KNN, yang hanya mencapai akurasi validasi 81,61% dan akurasi pengujian 73,72%. SVM juga lebih stabil dalam mengklasifikasikan pneumonia dibandingkan KNN, yang menunjukkan kelemahan dalam mendeteksi kategori normal. demikian, model SVM dengan tuning menjadi pilihan terbaik dalam mendeteksi pneumonia berbasis analisis tekstur citra rontgen dada.


Keywords


Pneumonia; GLCM; KNN; SVM; Image Classification.

Full Text:

PDF

References


Andika, L. A., Pratiwi, H., & Handajani, S. S. (2019). Klasifikasi Penyakit Pneumonia Menggunakan Metode Convolutional Neural Network Dengan Optimasi Adaptive Momentum. Journal Of Statistics And Its Applications, 3(3), 331–340.

Baig, M. D., Burhan, H., Haq, U., & Irshad, M. N. (2024). Pneumonia Detection Technique Empowered With Transfer Learning Approach. Healthcraft Frontiers, 3(4). Https://Doi.Org/10.56578/Hf020103

Ekananda, N. P., & Riminarsih, D. (2022). Identifikasi Penyakit Pneumonia Berdasarkan Citra Chest X-Ray Menggunakan Convolutional. Jurnal Ilmiah Informatika Kompute, 27(1), 79–94.

Halimah, A. A. D., & Anraeni, S. (2021). Analisis Klasifikasi Dataset Citra Penyakit Pneumonia Menggunakan Metode K- Nearest Neighbor ( Knn ). Indonesian Journal Of Data And Science, 2(1), 1–12.

Jawaz, I., & Rahmadewi, R. (2024). Sistem Deteksi Pneumonia Paru-Paru Dengan Pengolahan Citra Digital Dan Machine Learning. Jurnal Ilmiah Teknik Elektro, 5(2).

Kartini, D., Farmadi, A., Nugrahadi, D. T., & Pirjatullah. (2022). Perbandingan Nilai K Pada Klasifikasi Pneumonia Anak Balita Menggunakan K-Nearest Neighbor. Komputasi, 10(1), 47–53.

Nugroho, B., & Puspaningrum, E. Y. (2021). Kinerja Metode Cnn Untuk Klasifikasi Pneumonia Dengan Variasi Ukuran Citra Input. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(3), 533–538. Https://Doi.Org/10.25126/Jtiik.202184515

Nurhamzah, D., Sariyanto, I. W., Suwirmayanti, N. L. G. P., & Indrianto. (2024). Identifikasi Pneumonia Pada Citra Rontgen Paru-Paru Menggunakan Convolutional Neural Network. Prosiding Seminar Hasil Penelitian Informatika Dan Komputer, 1(3), 72–77.

Office, I. H., Arifuddin, R., & Hidayatulail, B. F. (2024). Klasifikasi Pneumonia Menggunakan Metode Convolutional Neural Network. Techné Jurnal Ilmiah Elektroteknika Vol., 23(2), 233–244.

Prasetyo, R. R. E., & Ichwan, M. (2021). Perbandingan Metode Deep Residual Network 50 Dan Deep Residual Network 152 Untuk Deteksi Penyakit Pneumonia Pada Manusia. Multimedia Artificial Intelligent Networking Database, 6(2), 168–182.

Putra, B. S. C., & Tahyudin, I. (2025). Performance Evaluation Of Cnn-Lstm And Cnn-Fnn Combinations For Pneumonia Classification Using Chest X-Ray Images. Journal Of Informatics And Telecommunication Engineering, 8(January), 196–207.

Subandi, R., Herman, & Yudhana, A. (2024). Pre-Processing Pada Klasifikasi Citra Medis Pneumonia. Pendidikan Teknologi Informasi, 4(1), 86–93.

Wati, R. A., Irsyad, H., & Rivan, M. E. Al. (2020). Klasifikasi Pneumonia Menggunakan Metode Support Vector Machine. Jurnal Algoritme, 1(1), 21–32.

Wijaya, C., Irsyad, H., & Widhiarso, W. (2020). Klasifikasi Pneumonia Menggunakan Metode K- Nearest Neighbor Dengan Ekstraksi Glcm. Jurnal Algoritme, 1(1), 33–44.

Yopento, J., Ernawati, & Coastera, F. F. (2022). Identifikasi Pneumonia Pada Citra X-Ray Paru-Paru Menggunakan Metode Convolutional Neural Network ( Cnn ) Berdasarkan Ekstraksi Fitur Sobel. Jurnal Rekursif, 10(1).


Refbacks

  • There are currently no refbacks.