Publisher

BSIBSI

Journal Jurnal InfortechJurnal Infortech Abstract

Pneumonia adalah salah satu jenis infeksi yang paling sering ditemui dan berisiko tinggi di seluruh dunia, yang mengakibatkan angka penyakit dan kematian yang tinggi, khususnya di kalangan populasi yang rentan seperti anak-anak. Dengan demikian, penelitian ini bertujuan untuk menciptakan sistem pintar yang mampu mengidentifikasi pneumonia secara otomatis melalui gambar thorax dengan memanfaatkan arsitektur Convolutional Neural Networks (CNN). Dalam penelitian ini, beberapa arsitektur CNN, yaitu MobileNet V2, ResNet, dan EfficientNet diuji untuk mencari model terbaik, dengan mempertimbangkan risiko overfitting dan penggunaan optimizer yang tepat. Metode yang digunakan mencakup pengumpulan data, preprocessing, pembagian dataset menjadi data train, test dan validasi, serta penerapan teknik transfer learning. Evaluasi dilakukan berdasarkan parameter kinerja seperti akurasi, sensitivitas dan presisi untuk menilai performa model. Hasil penelitian menunjukkan bahwa arsitektur MobileNet V2 memberikan kinerja terbaik dengan akurasi mencapai 93%. Model ini kemudian diimplementasikan dalam sistem cerdas yang dapat mempercepat dan mempermudah proses diagnosis pneumonia sehingga memberikan manfaat signifikan bagi sektor kesehatan dan masyarakat luas. Penelitian ini juga menekankan pentingnya teknik optimasi yang tepat dalam memastikan model dapat bekerja secara optimal di aplikasi dunia nyata.

Conclusion

Dari hasil penelitian yang dilakukan diperoleh kesimpulan sebagai berikut.Implementasi arsitektur MobileNetV2 menggunakan teknik transfer learning.Pada proses ekstraksi fitur menggunakan MobileNetV2 yang telah dilatih sebelumnya oleh ImageNet sebagai fitur ekstraktor.Pada proses klasifikasi menggunakan lapisan konvolusi 1x1 Global Average Polling dan lapisan Dense dengan aktivasi Softmax untuk klasifikasi jenis penyakit Pneumonia.Hasilnya menghasilkan nilai akurasi sebesar 92,62%, nilai precision 93% dan nilai recall 93%.Nilai yang dihasilkan membuktikan bahwa arsitektur ini terbukti mampu digunakan untuk klasifikasi Pneumonia.Klasifikasi penyakit pneumonia dengan berbagai arsitektur CNN telah dibangun.Hasil pengujian pada aplikasi berbasis web menggunakan data baru sebanyak 18 citra menyimpulkan model bekerja dengan baik dalam klasifikasi.Model yang terbentuk diimplementasikan pada aplikasi berbasis web agar dapat membantu dan memudahkan dalam melakukan klasifikasi pneumonia.

Future Research

Berdasarkan latar belakang, metode, hasil, keterbatasan, dan juga bagian saran penelitian lanjutan, terdapat beberapa arah pengembangan penelitian yang menarik. Pertama, penelitian selanjutnya dapat berfokus pada peningkatan kualitas data latih dengan menambahkan variasi citra X-ray yang lebih beragam, termasuk citra dari berbagai populasi dan tingkat keparahan pneumonia yang berbeda, untuk meningkatkan generalisasi model. Kedua, eksplorasi arsitektur CNN yang lebih canggih, seperti Transformer-based models, dapat dipertimbangkan untuk menangkap pola-pola kompleks dalam citra X-ray yang mungkin terlewatkan oleh arsitektur konvolusional tradisional. Ketiga, pengembangan sistem diagnosis pneumonia yang terintegrasi dengan data klinis pasien, seperti riwayat penyakit dan hasil laboratorium, dapat memberikan diagnosis yang lebih akurat dan komprehensif. Dengan menggabungkan informasi dari berbagai sumber, sistem dapat memberikan rekomendasi pengobatan yang lebih personal dan efektif, sehingga meningkatkan kualitas perawatan pasien pneumonia.

References

1. Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input | Jurnal Teknologi Informasi... jtiik.ub.ac.id/index.php/jtiik/article/view/4515Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input Jurnal Teknologi Informasi jtiik ub ac index php jtiik article view 4515

Metadata

File size	495.71 KB
Pages	6
DMCA	Report