Penerapan Machine Learning untuk deteksi penyakit pneumonia menggunakan metode CNN model EfficientNet-B0

Sari, Nurlaila (2024) Penerapan Machine Learning untuk deteksi penyakit pneumonia menggunakan metode CNN model EfficientNet-B0. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (108kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (45kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (63kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (184kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (323kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (954kB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (58kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (200kB) | Request a copy

Abstract

Pneumonia merupakan penyakit yang menyebabkan peradangan paru-paru dan dapat menyebabkan kematian. Pneumonia dapat disebabkan oleh bakteri, jamur dan virus. Pada tahun 2021, WHO (World Health Organization) menyebutkan Indonesia menduduki peringkat ke-8 dunia dari 15 negara yang memiliki angka kematian balita dan anak yang diakibatkan oleh pneumonia. Dari banyaknya kasus pneumonia tersebut maka perlu adanya tes yang bertujuan untuk mendiagnosis penyakit pneumonia. Beberapa tes yang dapat dilakukan untuk diagnosis pneumonia salah satunya dengan melihat hasil citra chest X-ray. Hasil citra memberikan deteksi dini dan tindakan cepat tetapi metode pemeriksaan pneumonia secara klinis ini tentunya membutuhkan banyak sumber daya, memakan waktu, dan sangat bergantung pada ketersediaan keahlian radiologi khusus sehingga dalam prosesnya dibutuhkan sistem komputasi yang otomatis dan akurat. Pada penelitian ini salah satu metode komputasi yang digunakan yaitu Convolutional Neural Network (CNN) model arsitektur EfficientNet-B0 yang diimplementasikan kedalam sistem untuk mendeteksi citra pneumonia. Data citra chest X-ray dibagi menjadi 2 kelas yaitu : Normal, dan Pneumonia. Total dataset yang digunakan untuk pelatihan dan pengujian yaitu terdapat 4 dataset dari sumber kaggle yang berbeda, tetapi jumlah masing-masing dataset sama yaitu 4.816 citra, dimana data train terdiri dari 1.349 gambar Normal, 3.884 Pneumonia. Sedangkan data test terdiri dari 234 gambar Normal, 390 Pneumonia. Penelitian ini dilakukan dengan melatih model EfficientNet-B0, model ini dipilih karena memiliki keseimbangan optimal antara efisiensi komputasi dan akurasi tinggi dalam pengenalan citra. Model ini menggabungkan teknik scaling yang memperhatikan kedalaman, lebar, dan resolusi dari jaringan untuk mencapai performa optimal. Dalam proses pengolahan data dan pelatihan model dilakukan dengan menggunakan teknik resize data, augmentasi data serta pengaturan hyperparameter. Pengujian yang dilakukan model ini berhasil mencapai tingkat akurasi yang tinggi, menunjukkan kemampuan yang cukup bagus dalam membedakan antara citra yang mengindikasikan citra paru-paru pneumonia dan paru-paru normal. Pada penelitian ini mengalami peningkatan performa tingkat akurasi dari masing-masing dataset yakni untuk dataset 1 menghasilkan tingkat akurasi sebesar 97%, untuk dataset 2 sebesar 99%, untuk dataset 3 sebesar 96% dan untuk dataset 4 sebesar 98%. Dari hasil penelitian ini menunjukkan bahwa model ini secara konsisten mampu memberikan tingkat akurasi yang tinggi dalam mendeteksi pneumonia pada keempat dataset yang berbeda. Analisis yang dilakukan menunjukkan bahwa model ini mampu beradaptasi dengan baik terhadap variasi dalam dataset, mempertahankan kinerja yang sangat baik dalam berbagai kondisi data berbeda yang digunakan pada penelitian ini.

Actions (login required)

View Item