Publisher

USMUSM

Journal ElektrikaElektrika Abstract

Pneumonia merupakan infeksi akut pada paru-paru yang masih menjadi salah satu penyebab kematian tertinggi di dunia, terutama pada anak-anak di bawah usia lima tahun dan lansia. Diagnosis konvensional melalui interpretasi citra X-Ray dada memerlukan keahlian radiologis yang tinggi dan rentan terhadap kesalahan manusia, khususnya di daerah dengan keterbatasan sumber daya medis. Penelitian ini mengusulkan sistem klasifikasi pneumonia otomatis dua tahap menggunakan Convolutional Neural Network (CNN) sebagai ekstraktor ciri otomatis dan K-Nearest Neighbor (KNN) sebagai pengklasifikasi akhir pada citra X-Ray dada. Dataset yang digunakan adalah Chest X-Ray Images (Pneumonia) dari Kaggle yang terdiri dari 5.863 citra dengan dua kelas: Normal (1.583 citra) dan Pneumonia (4.280 citra). Pipeline preprocessing meliputi konversi grayscale, peningkatan kontras menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE), resize ke 224×224 piksel, dan normalisasi ke rentang (0,1). Arsitektur CNN dengan tiga blok konvolusi (32–64–128 filter) disertai Batch Normalization mengekstrak vektor fitur 128 dimensi per citra. Nilai K optimal untuk KNN ditentukan melalui eksperimen validasi menghasilkan K=5 dengan jarak Euclidean berbobot. Sistem yang diusulkan mencapai akurasi 92,80%, presisi 94,12%, recall 95,34%, F1-Score 94,73%, specificity 91,98%, dan AUC-ROC 0,971 pada data uji, mengungguli metode konvensional termasuk SVM HOG (78,30%) dan CNN end-to-end (90,45%).

Conclusion

Penelitian ini berhasil mengembangkan sistem klasifikasi pneumonia otomatis berbasis kombinasi CNN dan KNN pada citra X-Ray dada.CNN dengan arsitektur tiga blok konvolusi mampu mengekstrak vektor fitur yang representatif, dengan akurasi validasi CNN mencapai 92,80%.KNN dengan K=5 memberikan performa klasifikasi terbaik dengan akurasi 92,80%, recall 95,34%, dan AUC-ROC 0,971.Sistem ini berpotensi sebagai alat bantu skrining pneumonia yang andal, khususnya di fasilitas kesehatan dengan keterbatasan tenaga radiologis.

Future Research

Penelitian lanjutan dapat mengeksplorasi penggunaan arsitektur CNN pre-trained seperti EfficientNet atau DenseNet sebagai backbone feature extractor, mengingat perbandingan langsung dengan model pretrained belum dilakukan dan menjadi prioritas utama penelitian lanjutan. Selain itu, penerapan teknik explainability seperti Gradient-weighted Class Activation Mapping (Grad-CAM) dapat memvisualisasikan area patologis pada citra X-Ray yang berkontribusi pada keputusan klasifikasi, meningkatkan kepercayaan klinisi terhadap sistem CAD. Terakhir, validasi klinis pada dataset multi-senter yang lebih beragam diperlukan untuk menguji generalisasi sistem dan memastikan kinerja yang konsisten di berbagai populasi pasien.

References

1. ChestX-Ray8: Hospital-Scale Chest X-Ray Database and Benchmarks on Weakly-Supervised Classification and... doi.org/10.1109/CVPR.2017.369ChestX Ray8 Hospital Scale Chest X Ray Database and Benchmarks on Weakly Supervised Classification and doi 10 1109 CVPR 2017 369
2. Deep feature extraction and fine κ-nearest neighbour for enhanced human papillomavirus detection... doi.org/10.5114/wo.2024.139091Deep feature extraction and fine nearest neighbour for enhanced human papillomavirus detection doi 10 5114 wo 2024 139091

Metadata

File size	455.87 KB
Pages	9
DMCA	Report