KLASIFIKASI CITRA PNEUMONIA MENGGUNAKAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN)

Aan Rachmatullah Pratama, Adi Fajaryanto Cobantoro

Abstract


Pneumonia adalah infeksi atau peradangan akut pada bagian jaringan paru yang disebabkan oleh berbagai mikroorganisme seperti bakteri, virus, parasit, jamur, kerusakan fisik paru ataupun bahan kimia. Pneumonia dapat menyerang orang dewasa maupun anak-anak, banyak kasus yang terjadi, terutama pada Negara berkembang dimana kebanyakan mengandalkan energi yang berpontensi menyebabkan polusi udara yang akan berdampak pada pernafasan manusia. Klasifikasi citra Pneumonia dari hasil rontgen dengan algoritma Convolutional Neural Network yang memiliki metode alur pemecahan masalah yang menyerupai pola pikir manusia. Pada program ini melakukan penelitian tentang membandingkan performa dari kedua model arsitektur Convolutional Neural Network arsitektur AlexNet dengan GoogleNet. Pada hasil confusion matrix mendapatkan hasil tingkat akurasi 0,79 untuk arsitektur Alexnet dan untuk arsitektur GoogLeNet mendapatkan hasil akurasi 0,78. Umumnya akurasi dari GoogLeNet lebih tinggi namun pada penelitian ini AlexNet mendapatkan akurasi yang lebih tinggi, namun GoogLeNet memiliki loss yang lebih rendah, loss dan Accuracy diperngaruhi callback yang didalamanya terdapat epoch. Pada hasil implementasi kedua model dari web app menggunakan flask dan Google colab, dari jumlah masukan 16 citra 15 prediksi dilakukan benar dan 1 salah mendapatkan hasil akurasi 0,94.

Kata kunci : AlexNet, CNN, GoogLeNet, Pneumonia


Full Text:

PDF

References


Indonesian Society Of Respirology, “Press Release “ Perhimpunan Dokter Paru Indonesia ( Pdpi ) Outbreak Pneumonia Di Tiongkok,” Ikatan Dokter Indonesia, no. 19, pp. 19–22, 2020.

W. Ratna Hidayani, S.KM., M.SC, “Pnemonia : Epidemiologi, Faktor Risiko Pada Balita,” CV. Pena Persada, pp. 1–20, 2020.

O. Stephen, M. Sain, U. J. Maduh, and D. U. Jeong, “An Efficient Deep Learning Approach to Pneumonia Classification in Healthcare,” J Healthc Eng, vol. 2019, 2019, doi: 10.1155/2019/4180949.

N. Shukla and K. Fricklas, “Machine Learning With TensorFlow,” 2018.

J. Han, M. Kamber, and J. Pei, Data mining: Data mining concepts and techniques. 2011. doi: 10.1109/ICMIRA.2013.45.

W. You, C. Shen, X. Guo, X. Jiang, J. Shi, and Z. Zhu, “A hybrid technique based on convolutional neural network and support vector regression for intelligent diagnosis of rotating machinery,” Advances in Mechanical Engineering, vol. 9, no. 6, pp. 1–17, 2017, doi: 10.1177/1687814017704146.

S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia), vol. 3, no. 2, pp. 49–56, 2018.

D. Irfansyah, M. Mustikasari, and A. Suroso, “Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi,” Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol. 6, no. 2, pp. 87–92, 2021, [Online]. Available: http://ejournal.poltektegal.ac.id/index.php/informatika/article/view/2802

A. F. Cobantoro, F. Masykur, and K. Sussolaikah, “ERFORMANCE ANALYSIS OF ALEXNET CONVOLUTIONAL NEURAL NETWORK (CNN) ARCHITECTURE WITH IMAGE OBJECTS OF RICE PLANT LEAVES,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 8, no. 2, pp. 111–116, Feb. 2023, doi: 10.33480/jitk.v8i2.4060.

F. Hafifah, S. Rahman, and M. S. Asih, “Klasifikasi Jenis Kendaraan Pada Jalan Raya Menggunakan Metode Convolutional Neural Networks ( CNN ),” vol. 2, no. 5, pp. 292–301, 2021.

D. D. W., “Jenis-jenis Machine Learning,” medium.com. Accessed: Apr. 07, 2022. [Online]. Available: https://medium.com/sysinfo/jenis-jenis-machine-learning-50f918453336

Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.

J. M. Czum, “Dive Into Deep Learning,” Journal of the American College of Radiology, vol. 17, no. 5, pp. 637–638, 2020, doi: 10.1016/j.jacr.2020.02.005.

P. Mayadewi and E. Rosely, “Prediksi Nilai Proyek Akhir Mahasiswa Menggunakan,” Seminar Nasional Sistem Informasi Indonesia, no. November, pp. 2–3, 2015.

K. A. Tait et al., “Intrusion Detection using Machine Learning Techniques: An Experimental Comparison,” 2021 International Congress of Advanced Technology and Engineering, ICOTEN 2021, no. July, 2021, doi: 10.1109/ICOTEN52080.2021.9493543.




DOI: https://doi.org/10.21107/nero.v8i2.18992

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Aan Rachmatullah Pratama