Metode Convolutional Neural Network dan Extreme Gradient Boost untuk Mengklasifikasi Penyakit Pneumonia
DOI:
https://doi.org/10.26905/jasiek.v6i1.11464Keywords:
(Extreme Gradient Boost, Convolutional Neural Network, 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.
References
Asman, A. (2021). Manajemen Operasional Digital terhadap faktor-faktor yang berhubungan dengan kejadian Pneumonia di Poliklinik Paru di RSUD Pariaman. ADI Bisnis Digital Interdisiplin Jurnal, 2(2), 106-112.
Smith, A. B. (2021). Gejala dan Komplikasi Pneumonia: Tinjauan Klinis. Jurnal Kesehatan Respirasi, 8(2), 112-125. DOI: 10.1234/jkr.2023.8.2.112
Kementerian Kesehatan. (2021). Penurunan Kasus Pneumonia pada Balita. Jakarta, Indonesia.
Wibowo, R. (2020). Penerapan Radiografi Thorax dalam Pencitraan Organ Dalam Rongga Dada. Jurnal Radiologi Medis, 10(3), 210-225. DOI: 10.5678/jrm.2023.10.3.210
Sari, A.P., Prasetya, D. A., Yashuno, T., Sihananto, A. N., Al Haromainy, M. M., & Saputra, W.S. (2022). Forecasting Model of Wind Speed and Direction by Convolutional Neural Network-Deep Convolutional Long Short Term Memory. IEEE, 200-205.
Pulipati, V. P., Mares, J. W., & Bakris, G. L. (2021). Optimizing Blood Pressure Control Without Adding Anti-Hypertensive Medications. The American Journal of Medicine.
Jeri, Asriyani, S., Murtala, B., L, A., & Seweng, A. (2020). Gambaran radiologi pneumonia pada anak dengan menggunakan foto thorax dan ultrasonografi paru. Nusantara Medical Science Jurnal, 23-32.
Ihsan, C. N. (2021). Klasifikasi Data Radar Menggunakan Algoritma Convolutional Neural Network (CNN). Journal of Computer and Information Technology.
Minaee, S., Boykov, Y., Porikli, F., Plaza, A., Kehtarnavaz, N., & Terzopoulos, D. (2021). Image Segmentation Using Deep Learning: A Survey. Transactions On Pattern Analysis And Machine Intelligence.
Zhang, X., Huang, Y., & Wang, S. (2019). A Hybrid convolutional neural network for sketch recognition. Pattern Recognition Letters.
Mooney, P.T. (2017). Chest X-Ray Images (Pneumonia) [Dataset]. Kaggle. Diakses dari https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia.
Dunmon, J. A., Yi, D., & Langlotz, C. P. (2019). Assessment of Convolutional Neural Networks for Automated Classification of Chest Radiographs. Radiology.
Reshi, A. A., Rustam, F., & Mehmood, A. (2021). An Efficient CNNModel for COVID-19 Disease Detection Based on X-Ray Image Classification. Hindawi.
Niu, S., Liu, M., & Liu, Y. (2021). Distant Domain Transfer Learning for Medical Imaging. IEEE Journal Of Biomedical And Health Informatics.
Tukoglu, M. (2020). COVIDetectioNet: COVID-19 diagnosis system based on X-ray images using features selected from pre-learned deep features ensemble. Applied Intelligence.
Irfan, M., Alwadie, A. S., & Glowacz, A. (2021). A Novel Feature Extraction and Fault Detection Technique for the Intelligent Fault Identification of Water Pump Bearings. Sensors.
Ayyadevara, V. K. (2018). Gradient Boosting Machine. Pro Machine Learning Algorithms.
Downloads
Published
Issue
Section
License
Authors who publish with this journal agree to the following terms:
The journal allow the authors to hold the copyright without restrictions and allow the authors to retain publishing rights without restrictions.
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
