IMPLEMENTASI PRE-PROCESSING CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DAN PSEUDOCOLORING UNTUK MENDETEKSI PENYAKIT PARU-PARU MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Adharuqudni, Annas (2024) IMPLEMENTASI PRE-PROCESSING CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DAN PSEUDOCOLORING UNTUK MENDETEKSI PENYAKIT PARU-PARU MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK.pdf Download (11kB)
	Text COVER.pdf Download (69kB)
	Text DAFTAR ISI.pdf Download (125kB)
	Text DAFTAR PUSTAKA.pdf Download (82kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (129kB)
	Text SKRIPSI FULL_ANNAS ADHARUQUDNI.pdf Restricted to Repository staff only Download (3MB)

Abstract

vii
ABSTRAK
Salah satu tantangan dalam sistem deteksi penyakit paru-paru berbasis komputer
adalah sering kali kualitas citra rontgen paru-paru memiliki kualitas kurang baik akibat citra
yang memiliki kontras rendah. Oleh karenanya, dibutuhkan solusi berupa metode pre-
processing citra yang tepat untuk meningkatkan kualitas citra rontgen paru-paru sekaligus
akurasi diagnosis penyakit paru-paru dari citra tersebut.
Penelitian ini menggunakan dataset citra rontgen paru-paru yang diambil dari Kaggle
dengan jumlah data sebanyak 3211, di mana 1840 digunakan sebagai data latih, 600 sebagai
data validasi, dan 771 sebagai data uji. Keseluruhan data citra tersebut kemudian melalui
dua tahapan pre-processing utama, yaitu CLAHE untuk mengurangi noise dan menambah
kontras jaringan pada citra, dilanjutkan dengan pseudocoloring untuk memberikan warna
pada citra agar bagian transparan atau tipis pada citra dapat lebih terlihat. Data citra yang
telah melalui pre-processing kemudian diaugmentasi dengan lima varian, yaitu width shift
range, height shift range, horizontal flip, zoom range, dan shear range. Data kemudian
dilatih menggunakan model Convolutional Neural Network dengan arsitektur VGG-19 yang
dimodifikasi sesuai dengan kebutuhan penelitian.
Kombinasi keseluruhan proses ini menghasilkan nilai loss sebesar 0.0893, accuracy
sebesar 96%, validation loss sebesar 0.2767, dan validation accuracy sebesar 91% dari tahap
pelatihan model dengan epoch sebesar 20. Pada tahap pengujian, didapatkan nilai
performance metrics yaitu nilai accuracy sebesar 83%, precision sebesar 87%, recall sebesar
83%, dan f1-score sebesar 84%.
Kata Kunci: rontgen paru-paru, deteksi penyakit paru-paru, pre-processing, CLAHE,
pseudocoloring
viii
ABSTRACT
One of the challenges in computer-based lung disease detection systems is that lung
X-ray images are often has poor quality due to low contrast images. Therefore, a solution is
needed in the form of appropriate image pre-processing methods to enhance the quality of
lung X-ray images and improve the accuracy of lung disease diagnosis from these images.
This research uses a dataset of lung X-ray images obtained from Kaggle with a total
of 3211 data, with 1840 used as training data, 600 as validation data, and 771 as test data.
The entire image dataset then undergoes two main pre-processing stages: CLAHE to reduce
noise and enhance network contrast in images, followed by pseudocoloring to add color to
the images, making transparent or thin parts of the images more visible. The pre-processed
image data is then augmented with five variations: width shift range, height shift range,
horizontal flip, zoom range, and shear range. The data is then trained using a Convolutional
Neural Network model with a modified VGG-19 architecture according to the research
needs.
The overall combination of these processes results in a loss value of 0.0893, accuracy
of 96%, validation loss of 0.2767, and validation accuracy of 91% after 20 epochs of model
training. In the testing phase, performance metrics are obtained, with an accuracy value of
83%, precision of 87%, recall of 83%, and an F1-score of 84%.
Keywords: lung x-ray, lung disease detection, pre-processing, CLAHE, pseudocoloring

Item Type:	Thesis (Other)
Uncontrolled Keywords:	lung x-ray, lung disease detection, pre-processing, CLAHE, pseudocoloring
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	20 Mar 2024 01:19
Last Modified:	20 Mar 2024 01:19
URI:	http://eprints.upnyk.ac.id/id/eprint/39099

Actions (login required)

View Item