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.
Keywords
Full Text:
PDFReferences
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.
DOI: https://doi.org/10.26905/jasiek.v6i1.11464
Refbacks
- There are currently no refbacks.
JASIEK(Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer)
Department of Electrical Engineering, Universitas Merdeka Malang
Taman Agung Street No. 1, Sukun, Malang Kota, Jawa Timur, 65146, Indonesia |
[email protected] |
0822-3333-4114 |
@jasiekunmer |
Supported By: