Klasifikasi paru-paru normal dan tidak berdasarkan citra x-ray thorax dengan backpropagation

ABSTRAK:

Salah satu gangguan pada paru-paru adalah pneumonia. Pneumonia merupakan kondisi dimana paru-paru terisi dengan cairan yang dapat menyebabkan sesak nafas. Diharapkan dengan adanya system klasifikasi paru-paru ini dapat mempermudah dalam mendeteksi gangguan yang ada di paru-paru dengan lebih cepat dan akurat. Metode yang digunakan pada website system klasifikasi ini adalah Backpropagation. Metode ini merupakan metode multilayer perceptron yang merupakan pengembangan dari metode single layer perceptron. Kelebihan dari metode ini dibandingkan dengan metode single layer perceptron terletak pada hidden layer yang berfungsi untuk memperkecil tingkat error dari setiap output yang dihasilkan. Metode ini bekerja dengan cara memperkecil tingkat error dari hasil pengolahan parameter yang telah diinpukan dengan menyesuaikan bobot pada setiap lapisan berdasarkan perbedaan output dan target yang telah ditetapkan. Parameter yang digunakan pada penelitian ini adalah mean, standar deviasi, kurtosis, skewnes dan entropy. Parameter tersebut didapatkan dari hasil ekstraksi fitur histogram pada citra sebelum masuk kedalam proses algoritma backpropagation. Hasil dari sistem ini menunjukan akurasi yang cukup tinggi dengan akurasi paling tinggi mencapai 97%.

ABSTRACT:

One of the disorders of the lungs is pneumonia. Pneumonia is a condition where the lungs are filled with fluid which can cause shortness of breath. It is hoped that the presence of a lung classification system can make it easier to detect disorders that exist in the lungs more quickly and accurately. The method used on this classification system website is Backpropagation. This method is a multilayer perceptron method which is a development of the single-layer perceptron method. The advantage of this method compared to the single-layer perceptron method lies in the hidden layer which serves to reduce the error rate of each output produced. This method works by minimizing the error rate from processing the input parameters that have been inputted by adjusting the weight of each layer based on differences in output and targets that have been set. The parameters used in this study are the mean, standard deviation, kurtosis, skewness, and entropy. These parameters are obtained from the histogram feature extraction results before entering into the backpropagation algorithm process. The results of this system show a fairly high accuracy with the highest accuracy reaching 97%.