Identifikasi Pneumonia pada Balita melalui Citra X-ray Menggunakan Metode Convolutional Neural Network (CNN)
Artikel Sidebar
-
Pneumonia, Convolutional Neural Network (CNN), Diagnosis, Rontgen X-ray Paru
Abstrak
Latar Belakang: Pneumonia adalah penyakit infeksi pada saluran pernapasan yang dapat menyebabkan hilangnya nyawa jika tidak didiagnosis dan diobati dengan tepat. Diagnosis pneumonia saat ini masih bergantung pada kemampuan dokter spesialis paru untuk mengevaluasi hasil rontgen dada (X-ray). Oleh karena itu, dibutuhkan teknologi yang dapat membantu dokter untuk menganalisis foto rontgen dengan cepat dan akurat. Metode: Penelitian menggunakan Convolutional Neural Network (CNN) untuk mengklasifikasikan foto rontgen paru ke dalam tiga kelas: Normal, Pneumonia Ringan, dan Pneumonia Berat. Beberapa eksperimen dilakukan dengan memvariasikan jumlah epoch, ukuran dataset, resolusi gambar, dan jumlah hidden layer untuk mendapatkan hasil yang akurat dari setiap identifikasi. Hasil: Hasil pengujian akhir menunjukkan bahwa menggunakan 15 epoch, 5 hidden layer, dan 5700 data dari proses klasifikasi menggunakan CNN dapat mencapai akurasi training sebesar 92,48% dan validasi sebesar 91%. Hasil dari 50 data foto rontgen dada menunjukkan akurasi identifikasi yang sama antara pembacaan oleh dokter dan metode yang diusulkan, dengan waktu pembacaan dokter 15 menit dan metode yang diusulkan hanya 0,2 detik dengan akurasi identifikasi 100%. Kesimpulan: Penelitian ini menunjukkan bahwa penggunaan metode yang diusulkan dapat membantu dokter spesialis paru untuk mendiagnosis pneumonia dengan akurasi diagnosis tinggi dan waktu diagnosis singkat, sehingga dapat membantu meningkatkan kualitas pelayanan kesehatan.
Artikel teks lengkap
Referensi
A. M. Puspitasari, S. Suhartono, and K. Kushartantya, “Sistem Pakar Berbasis Web dengan Metode Probabilitas Klasik untuk Diagnosa Penyakit Tuberkulosis Pada Manusia Dewasa,” J. Masy. Inform., vol. 4, no. 8, pp. 35–43, 2013.
A. Subandi and I. Ariani, “Peningkatan Pengetahuan dan Kemampuan Ibu dalam Penatalaksanaan pada balita Pneumonia dengan Pendekatan MTBS di Puskesmas Cilacap Selatan 1,” J. Pengabdi. Masy. Al-Irsyad, vol. 1, no. 2, pp. 126–133, 2019.
S. MIRHALINA, “[BOOK CHAPTER] PENANGGULANGAN PENYAKIT TIDAK MENULAR DI INDONESIA,” 2023.
R. Adawiyah, “Faktor-faktor Yang Berpengaruh Terhadap Kejadian Pneumonia Pada Balita di Puskesmas Susunan Kota Bandar Lampung Tahun 2012,” J. Kedokt. Yars., vol. 24, no. 1, pp. 51–68, 2016.
K. Kallianos et al., “How far have we come? Artificial intelligence for chest radiograph interpretation,” Clin. Radiol., vol. 74, no. 5, pp. 338–345, 2019.
S. Tammina, “Transfer learning using vgg-16 with deep convolutional neural network for classifying images,” Int. J. Sci. Res. Publ., vol. 9, no. 10, pp. 143–150, 2019.
M. Toğaçar, B. Ergen, Z. Cömert, and F. Özyurt, “A deep feature learning model for pneumonia detection applying a combination of mRMR feature selection and machine learning models,” Irbm, vol. 41, no. 4, pp. 212–222, 2020.
A. G. Taylor, C. Mielke, and J. Mongan, “Automated detection of moderate and large pneumothorax on frontal chest X-rays using deep convolutional neural networks: A retrospective study,” PLoS Med., vol. 15, no. 11, p. e1002697, 2018.
T. K. Khanh Ho and J. Gwak, “Multiple feature integration for classification of thoracic disease in chest radiography,” Appl. Sci., vol. 9, no. 19, p. 4130, 2019.
P. P. Illahi, H. Fauzi, and T. S. Siadari, “Klasifikasi Penyakit Pneumonia Dan Covid-19 Berbasis Citra X-Ray Menggunakan Arsitektur Deep Residual Network,” eProceedings Eng., vol. 9, no. 4, 2022.
I. M. Firdiantika and Y. Jusman, “Pneumonia detection in chest X-ray images using convolutional neural network,” in AIP Conference Proceedings, 2022, vol. 2499, no. 1.
S. A. Khoiriyah, A. Basofi, and A. Fariza, “Convolutional neural network for automatic pneumonia detection in chest radiography,” in 2020 International Electronics Symposium (IES), 2020, pp. 476–480.
R. R. N. M. I. Tobias et al., “CNN-based deep learning model for chest X-ray health classification using tensorflow,” in 2020 RIVF International Conference on Computing and Communication Technologies (RIVF), 2020, pp. 1–6.
E. Kesim, Z. Dokur, and T. Olmez, “X-ray chest image classification by a small-sized convolutional neural network,” in 2019 scientific meeting on electrical-electronics & biomedical engineering and computer science (EBBT), 2019, pp. 1–5.
R. Siddiqi, “Automated pneumonia diagnosis using a customized sequential convolutional neural network,” in Proceedings of the 2019 3rd international conference on deep learning technologies, 2019, pp. 64–70.
S. Hartati, N. Nurhaeni, and D. Gayatri, “Faktor risiko terjadinya pneumonia pada anak balita,” J. Keperawatan Indones., vol. 15, no. 1, pp. 13–20, 2012.
E. Warganegara, “Pneumonia Nosokomial (Hospital-acquired, Ventilator-associated, dan Health Care-associated Penumonia),” J. Kedokt. Univ. Lampung, vol. 1, no. 3, pp. 612–618, 2017.
W. Gazali, H. Soeparno, and J. Ohliati, “Penerapan Metode Konvolusi Dalam Pengolahan Citra Digital,” J. Mat Stat, vol. 12, no. 2, pp. 103–113, 2012.
R. D. Kusumanto and A. N. Tompunu, “pengolahan citra digital untuk mendeteksi obyek menggunakan pengolahan warna model normalisasi RGB,” in Seminar Nasional Teknologi Informasi & Komunikasi Terapan, 2011, vol. 2011, pp. 1–7.
R. Rajakumari and L. Kalaivani, “Breast Cancer Detection and Classification Using Deep CNN Techniques.,” Intell. Autom. Soft Comput., vol. 32, no. 2, 2022.
P. Tiwari et al., “Cnn based multiclass brain tumor detection using medical imaging,” Comput. Intell. Neurosci., vol. 2022, no. 1, p. 1830010, 2022.
A. W. Salehi, P. Baglat, B. B. Sharma, G. Gupta, and A. Upadhya, “A CNN model: earlier diagnosis and classification of Alzheimer disease using MRI,” in 2020 International Conference on Smart Electronics and Communication (ICOSEC), 2020, pp. 156–161.
A. Y. Bequet, L. Rusyadi, and F. Fatimah, “Nilai Contrast to Noise Ratio (CNR) Radiograf Thorax PA antara menggunakan Grid dengan tanpa Menggunakan Grid,” J. Imejing Diagnostik, vol. 6, no. 2, pp. 60–64, 2020.
I. Bakti and M. Firdaus, “Klasifikasi File Gambar Hasil X-Ray Paru-Paru Dengan Arsitektur Convolution Neural Network (CNN),” J. Inf. Technol., vol. 3, no. 1, pp. 26–34.
Penulis
Hak Cipta (c) 2024 Indah Kurniawati, Ridho Akbar, Yessie Ardina Kusuma, Izza Fahma Kusumawati
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.