Publisher

UNRAMUNRAM

Journal Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA ) Abstract

Pneumonia merupakan salah satu penyebab utama kematian dan morbiditas pada anak-anak di seluruh dunia. Data Kementerian Kesehatan Republik Indonesia mencatat pneumonia menempati peringkat kedua sebagai penyebab kematian balita. Selain dampak kesehatan, penyakit ini juga memberikan beban ekonomi dan sosial yang cukup besar bagi masyarakat dan negara. Deteksi dini dan penanganan cepat menjadi kunci utama dalam menurunkan angka kematian akibat pneumonia. Namun, berbagai kendala masih dihadapi, seperti kurangnya pemanfaatan teknologi dalam sistem pelayanan kesehatan. Kondisi ini dapat menyebabkan proses diagnosis berjalan lebih lambat dan membuat pelayanan kesehatan kurang optimal. Peluang penggunaan AI di bidang kesehatan dapat diwujudkan melalui pengembangan mesin diagnosis pneumonia. Tantangan seperti gejala awal yang tidak spesifik, minimnya radiolog di banyak daerah, serta prosedur analisis gambar dapat memperlambat proses diagnosis. Keterlambatan dalam diagnosis dapat meningkatkan beban kerja tenaga medis dan fasilitas kesehatan, yang akhirnya mengurangi efisiensi sistem kesehatan secara keseluruhan. Teknologi kecerdasan buatan (AI) dapat membantu proses diagnosis secara cepat. Salah satu pendekatan yang berkembang adalah penggunaan metode Machine Learning dan Deep Learning. Penerapan machine learning pada gambar x-ray paru-paru dapat digunakan untuk proses awal diagnosis penyakit ini sehingga dapat membantu tenaga medis dalam mengambil keputusan awal.

Conclusion

Penelitian ini mengembangkan model klasifikasi citra X-ray paru-paru menggunakan pendekatan hybrid yang menggabungkan ekstraksi fitur GLCM dengan arsitektur model ANN.Hasil yang diperoleh menunjukkan bahwa model mampu mengklasifikasikan citra dengan akurasi tertinggi mencapai 91.Selain itu, nilai precision, recall, dan f1-score tertinggi, baik secara makro maupun berbobot, sebesar 0.91, hal ini mengindikasikan model memiliki performa yang seimbang dalam mengenali kedua kelas, yaitu normal dan pneumonia.Evaluasi dari masing-masing skenario menunjukkan bahwa beberapa model dapat mengklasifikasikan kedua kelas citra, meskipun pada beberapa konfigurasi terjadi ketidakseimbangan sensitivitas terhadap kedua kelas tersebut.Pendekatan hybrid ini layak dipertimbangkan sebagai metode alternatif dalam tugas klasifikasi citra medis, terutama untuk penggunaan perangkat dengan spesifikasi rendah, dikarenakan jumlah parameter yang dihasilkan relatif sedikit.Untuk pengembangan lebih lanjut, disarankan agar penelitian selanjutnya mempertimbangkan peningkatan jumlah data latih, eksplorasi arsitektur yang lebih kompleks, atau penggantian metode ekstraksi fitur.Selain itu, pengujian lebih lanjut menggunakan data klinis yang lebih bervariasi serta evaluasi langsung dari para ahli radiologi sangat diperlukan untuk memastikan efektivitas model dalam implementasi nyata di dunia medis.

Future Research

Saran penelitian lanjutan yang diusulkan adalah: 1. Mengembangkan model dengan arsitektur yang lebih kompleks, seperti menggunakan lebih banyak lapisan fully connected atau menambahkan lapisan konvolusi untuk meningkatkan kemampuan ekstraksi fitur. 2. Memperluas dataset dengan mengumpulkan lebih banyak data X-ray paru-paru dari berbagai sumber dan klinik, termasuk data dari pasien dengan kondisi kesehatan yang beragam. 3. Melakukan validasi model dengan data klinis nyata dan melibatkan ahli radiologi untuk mengevaluasi kinerja model dalam skenario dunia nyata. Dengan menggabungkan saran-saran ini, penelitian selanjutnya dapat meningkatkan akurasi dan kehandalan model dalam mendiagnosis pneumonia pada X-ray paru-paru, serta memastikan efektivitasnya dalam penerapan klinis.

References

1. A Hybrid CNN- GLCM Classifier for Detection and Grade Classification of Brain Tumor | Research Square.... doi.org/10.21203/rs.3.rs-531022/v1A Hybrid CNN GLCM Classifier for Detection and Grade Classification of Brain Tumor Research Square doi 10 21203 rs 3 rs 531022 v1
2. Radware Bot Manager Captcha. radware bot manager captcha apologize ensure keep safe please confirm human... doi.org/10.1149/10701.7289ecstRadware Bot Manager Captcha radware bot manager captcha apologize ensure keep safe please confirm human doi 10 1149 10701 7289ecst
3. Comparative Study of Herbal Leaves Classification using Hybrid of GLCM-SVM and GLCM-CNN | Purnawansyah... jurnal.fikom.umi.ac.id/index.php/ILKOM/article/view/1759Comparative Study of Herbal Leaves Classification using Hybrid of GLCM SVM and GLCM CNN Purnawansyah jurnal fikom umi ac index php ILKOM article view 1759

Metadata

File size	526.39 KB
Pages	9
DMCA	Report