UMIUMI

Majalah Ilmiah METHODAMajalah Ilmiah METHODA

Pembagian dataset merupakan keputusan metodologis fundamental namun sering diabaikan dalam penelitian pembelajaran mendalam untuk klasifikasi citra medis. Penelitian ini mengkaji dampak berbagai skenario pembagian data terhadap kinerja robust model EfficientNetV2-B0 dalam deteksi pneumonia menggunakan citra X-ray. Menggunakan dataset Chest X-ray Pneumonia dari Kaggle, tujuh skenario eksperimen dirancang yang mencakup perbedaan rasio alokasi pelatihan-validasi-uji (70/15/15, 70/10/20, 80/10/10, 85/15, 70/30), strategi partisi (stratified vs. acak), serta metode validasi (holdout vs. 5-fold stratified cross-validation). Hasil menunjukkan bahwa 5-fold stratified cross-validation menghasilkan estimasi kinerja paling stabil dengan varians terendah (Akurasi: 97,4%±0,3%, AUC: 0,993±0,002), sedangkan partisi acak tanpa stratifikasi menghasilkan kinerja yang secara signifikan lebih rendah (Akurasi: 95,1%, AUC: 0,973). Di antara skenario holdout, rasio 70/15/15 stratified mencapai kinerja terbaik (Akurasi: 97,2%, AUC: 0,991). Analisis statistik mengkonfirmasi perbedaan signifikan antara skenario stratified dan non-stratified (p < 0,05). Temuan ini memberikan panduan empiris bagi peneliti dalam merancang eksperimen pembelajaran mesin yang lebih valid dan dapat direplikasi di bidang medis.

Penelitian ini menunjukkan bahwa 5-fold stratified cross-validation menghasilkan estimasi kinerja paling stabil dan andal untuk model EfficientNetV2-B0 dalam deteksi pneumonia.Stratifikasi data memberikan kontribusi signifikan terhadap validitas evaluasi model pada dataset tidak seimbang, dengan pengabaian stratifikasi menyebabkan penurunan akurasi sebesar 2,1% dan AUC sebesar 0,018 poin.Di antara skenario rasio pembagian data, rasio 70/15/15 stratified menawarkan keseimbangan terbaik antara representasi data pelatihan dan stabilitas estimasi kinerja.

Penelitian lanjutan dapat menginvestigasi penggunaan teknik stratifikasi yang lebih kompleks, seperti stratifikasi berbasis faktor demografis pasien atau karakteristik citra medis. Selain itu, perlu dikembangkan metode validasi yang lebih efisien untuk mengurangi beban komputasi 5-fold cross-validation tanpa mengorbankan stabilitas estimasi kinerja. Studi juga dapat mengeksplorasi adaptasi skema pembagian data pada arsitektur model lain atau dataset multi-kelas untuk meningkatkan generalisasi hasil penelitian.

  1. PeerJ Trade-off between training and testing ratio in machine learning for medical image processing.... peerj.com/articles/cs-2245PeerJ Trade off between training and testing ratio in machine learning for medical image processing peerj articles cs 2245
  2. [2501.06492] A New Flexible Train-Test Split Algorithm, an approach for choosing among the Hold-out,... arxiv.org/abs/2501.064922501 06492 A New Flexible Train Test Split Algorithm an approach for choosing among the Hold out arxiv abs 2501 06492
Read online
File size307.74 KB
Pages7
DMCAReport

Related /

ads-block-test