Metode Convolutional Neural Network dan Extreme Gradient Boost untuk Mengklasifikasi Penyakit Pneumonia

Abstract

Penelitian ini berfokus pada deteksi penyakit pneumonia melalui analisis gambar radiografi thorax. Tujuan utama adalah untuk mencari akurasi dan mengembangkan sebuah model klasifikasi yang efektif dan akurat dengan memanfaatkan teknologi Machine Learning, khususnya Convolutional Neural Networks (CNN) dan Extreme Gradient Boosting (XGBoost). Model yang dikembangkan dalam penelitian ini menunjukkan potensi yang signifikan untuk aplikasi di bidang medis, khususnya dalam diagnosis otomatis penyakit pneumonia melalui gambar radiografi thorax. Penelitian ini menggunakan dataset yang terdiri dari 5.856 gambar radiografi thorax, yang diperoleh dari situs Kaggle dengan judul "Chest X-Ray Images (Pneumonia)". Dataset ini mencakup gambar dari pasien yang menderita pneumonia dan gambar dari pasien normal. Algoritma CNN digunakan untuk ekstraksi fitur dari gambar, dan algoritma XGBoost diterapkan untuk klasifikasi. Untuk evaluasi, pembagian datanya yaitu 70:30, 70% untuk data latih dan 30% untuk data testing. Metrik evaluasi yang digunakan mencakup akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model klasifikasi yang dikembangkan memiliki performa yang sangat baik dalam deteksi pneumonia. Dalam skenario pembagian data 70:30, model CNN mencapai akurasi sebesar 88,73%, sementara model XGBoost mencapai akurasi sebesar 91,12%. Penelitian ini juga menunjukkan bahwa kombinasi fitur yang diekstraksi oleh CNN dapat meningkatkan performa model XGBoost.