Klasifikasi Prediksi Penyakit Paru-Paru Normal dengan Pneumonia berdasarkan Citra Image X-ray dengan Optimasi Adam Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.30606/rjocs.v10i2.2858Keywords:
Klasifikasi Prediksi Penyakit, Convolutional Neural Network (CNN), Penyakit Paru-Paru, Penyakit Pneumonia, Optimasi AdamAbstract
Pneumonia merupakan salah satu penyakit paru-paru yang disebabkan oleh bakteri, virus, jamur, ataupun parasit. Kantung udara dipenuhi oleh cairan sehingga menyebabkan sesak dan batuk berdahak. Pengamatan kondisi paru-paru pasien dilakukan paramedis melalui foto rontgen (X-rays). Foto rontgen ini memiliki biaya yang murah di bandingan dengan diagnosis dengan alat medis yang lain yang mempunyai kemiripan fungsinya. Pada penelitian ini mengunakan foto rontgen untuk mendeteksi foto rontgen yang paru paru normal serta yang terkena penyakit pneumonia mengunakan metode Convolutional Neural Network (CNN) yang di preprocessing citra digitalnya dengan standard deviasi. Penelitian ini dilakukan dengan tujuan untuk mengklasifikasikan hasil x-rays kedalam sebuah program untuk mengetahui apakah terdapat pneumonia atau tidak. Dalam penelitian ini menghasilkan akurasi sebesar 98% untuk gambar yang di preprocessing mengunakan standard deviasi serta 90% yang hanya mengunakan metode Convolutional Neural Network (CNN). Hasil tersebut mengunakan data foto rontgen sebanyak 624 gambar yang terdiri dari 2 kelas yaitu kelas paru paru normal dan paru terkena pneumonia. Dari total tersebut dimana total gambar yang normal sebanyak 234 dan yang terkena penyakit 390 gambar. Fungsi aktivasi Convolutional Neural Network (CNN) menggunakan fungsi Rectifier Linear Unit (ReLU), fungsi optimasi Adam, dan epoch sebanyak 200. Optimasi Adam merupakan pengembangan dari optimasi yang sudah ada seperti Stochastic Gradient Descending (SGD), AdaGard, dan RMSProp. Hasil klasifikasi model yang dibangun sebesar 99,98% untuk data latih dengan 100 epoch, dan akurasi pada data uji sebesar 78% yang berarti model mampu mengkualifikasi 78% data uji ke dalam kelas normal dan pneumonia dengan tepat. Berdasarkan hasil pengujian, diperoleh rata-rata nilai akurasi dan rata-rata nilai loss secara sekuensial sebesar 89,58% dan 47,43%. Hasil pengujian ini menunjukkan bahwa metode Convolutional Neural Network (CNN) cukup mampu untuk melakukan klasifikasi kasus pneumonia
Downloads
References
C. B. Kartasasmita, S. Rezeki Hadinegoro, N. Kurniati, R. Triasih, C. Halim, and A. Gamil, “Epidemiology, Nasopharyngeal Carriage, Serotype Prevalence, and Antibiotic Resistance of Streptococcus pneumoniae in Indonesia,” Infectious Diseases and Therapy, vol. 9, no. 4. 2020. doi: 10.1007/s40121-020-00330-5.
W. Tafroji et al., “Antibacterial activity of medicinal plants in Indonesia on Streptococcus pneumoniae,” PLoS One, vol. 17, no. 9 September, 2022, doi: 10.1371/journal.pone.0274174.
M. M. Khoeri et al., “Whole genome sequencing data of Streptococcus pneumoniae isolated from Indonesian population,” Data Br., vol. 53, 2024, doi: 10.1016/j.dib.2024.110251.
D. Safari et al., “Staphylococcus aureus and Streptococcus pneumoniae prevalence among elderly adults in Jakarta, Indonesia,” Southeast Asian J. Trop. Med. Public Health, vol. 46, no. 3, 2015.
W. F. Said, E. Sukoto, M. M. Khoeri, J. Kumalawati, and D. Safari, “Serotype distribution and antimicrobial susceptibility of Streptococcus pneumoniae isolates from adult patients in Jakarta, Indonesia,” J. Infect. Public Health, vol. 10, no. 6, 2017, doi: 10.1016/j.jiph.2017.01.018.
H. Farida et al., “Nasopharyngeal carriage of Streptococcus pneumonia in pneumonia-prone age groups in Semarang, Java Island, Indonesia,” PLoS One, vol. 9, no. 1, 2014, doi: 10.1371/journal.pone.0087431.
K. Salsabila et al., “Nasopharyngeal carriage rate, serotype distribution, and antimicrobial susceptibility profile of Streptococcus pneumoniae isolated from children under five years old in Kotabaru, South Kalimantan, Indonesia,” J. Microbiol. Immunol. Infect., vol. 55, no. 3, 2022, doi: 10.1016/j.jmii.2021.06.006.
S. R. Hadinegoro et al., “Nasopharyngeal carriage of Streptococcus pneumoniae in healthy children under five years old in central lombok regency, Indonesia,” Southeast Asian J. Trop. Med. Public Health, vol. 47, no. 3, 2016.
D. Safari, S. Mudaliana, K. Harimurti, L. Waslia, and D. Subekti, “Nasopharyngeal colonization of Streptococcus pneumoniae in elderly people, in Jakarta, Indonesia,” Int. J. Infect. Dis., vol. 16, 2012, doi: 10.1016/j.ijid.2012.05.1011.
H. Sinaga, D. Y. P. Runtuboi, and L. I. Zebua, “Bakteri Penyebab Infeksi Nosokomial Pada Alat Kesehatan dan Udara di Ruang Unit Gawat Darurat RSUD Abepura, Kota Jayapura,” J. Biol. PAPUA, vol. 6, no. 2, 2018, doi: 10.31957/jbp.462.
N. K. A. Srinadi and I. M. Sutarga, “KARAKTERISTIK PENGELOLA PROGRAM PENGENDALIAN PENYAKIT PNEUMONIA BALITA DI PUSKESMAS SE-KABUPATEN GIANYAR,” Arch. COMMUNITY Heal., vol. 7, no. 1, 2020, doi: 10.24843/ach.2020.v07.i01.p02.
T. Rahman et al., “Transfer learning with deep Convolutional Neural Network (CNN) for pneumonia detection using chest X-ray,” Appl. Sci., vol. 10, no. 9, 2020, doi: 10.3390/app10093233.
A. S. Wiratama, M. Rifqi, and S. Maesaroh, “EFEKTIVITAS TRANSFER LEARNING DALAM PENDETEKSIAN PENYAKIT PNEUMONIA MELALUI CITRA X-RAY PARU MANUSIA,” J. Ilm. Sains dan Teknol., vol. 7, no. 1, 2023, doi: 10.47080/saintek.v7i1.2551.
V. S. Suryaa, A. X. Annie R., and M. S. Aiswarya, “Efficient DNN Ensemble for Pneumonia Detection in Chest X-ray Images,” Int. J. Adv. Comput. Sci. Appl., vol. 12, no. 10, 2021, doi: 10.14569/IJACSA.2021.0121084.
A. S. Musallam, A. S. Sherif, and M. K. Hussein, “Efficient framework for detecting COVID-19 and pneumonia from chest X-ray using deep convolutional network,” Egypt. Informatics J., vol. 23, no. 2, 2022, doi: 10.1016/j.eij.2022.01.002.
H. Irsyad and D. Mariana, “Klasifikasi Pneumonia pada Chest X-Ray Paru-paru dengan Ekstraksi Fitur Local Binary Pattern Menggunakan Support Vector Machine,” J. Ilm. Betrik, vol. 12, no. 1, 2021, doi: 10.36050/betrik.v12i1.294.
K. A. Prayogo, A. Suryadibrata, and J. C. Young, “Classification of pneumonia from X-ray images using siamese convolutional network,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 18, no. 3, 2020, doi: 10.12928/TELKOMNIKA.v18i3.14751.
A. E. Wijaya, W. Swastika, and O. H. Kelana, “IMPLEMENTASI TRANSFER LEARNING PADA CONVOLUTIONAL NEURAL NETWORK UNTUK DIAGNOSIS COVID-19 DAN PNEUMONIA PADA CITRA X-RAY,” Sainsbertek J. Ilm. Sains Teknol., vol. 2, no. 1, 2021, doi: 10.33479/sb.v2i1.125.
D. Tamaweol, R. H. Ali, and M. L. Simanjuntak, “GAMBARAN FOTO TORAKS PADA PENDERITA BATUK KRONIK DI BAGIAN/SMF RADIOLOGI FK UNSRAT/RSUP PROF. DR. R.D. KANDOU MANADO PERIODE JULI – SEPTEMBER 2015,” e-CliniC, vol. 4, no. 1, 2016, doi: 10.35790/ecl.4.1.2016.10955.
A. Perdananto, “Penerapan deep learning pada Aplikasi prediksi penyakit Pneumonia berbasis Convolutional Neural networks,” J. Informatics Commun. Technol., vol. 1, no. 2, 2019, doi: 10.52661/j_ict.v1i2.34.
Y. B. Marhenta, W. Admaja, K. E. Seran, and A. N. Effendy, “ANALISIS BIAYA RIIL TERHADAP TARIF INA-CBG’S PADA PASIEN BPJS PNEUMONIA ANAK DI RUMAH SAKIT X DI KOTA MADIUN TAHUN 2019-2021,” J. Sint. Penelit. Sains, Terap. dan Anal., vol. 3, no. 2, 2023, doi: 10.56399/jst.v3i2.61.
I. P. Suartawan, “BRONKOPNEUMONIA PADA ANAK USIA 20 BULAN,” J. Kedokt., vol. 5, no. 1, 2019, doi: 10.36679/kedokteran.v5i1.177.
R. Wahab, E. Poli, and C. Sugeng, “Pneumonia Covid-19 dengan Gangguan Ginjal Akut,” e-CliniC, vol. 9, no. 1, 2021, doi: 10.35790/ecl.v9i1.32303.
M. E. H. Chowdhury et al., “Can AI Help in Screening Viral and COVID-19 Pneumonia?,” IEEE Access, vol. 8, 2020, doi: 10.1109/ACCESS.2020.3010287.
S. Winarni, I. Yuliati, and E. Setyaningrum Kiswantari, “Tekanan Parsial Oksigen (PO2) Pasien Pneumonia Covid-19 dengan Komorbid dan tanpa Komorbid,” Care J., vol. 2, no. 2, 2023, doi: 10.35584/carejournal.v2i2.136.
M. Nishio, S. Noguchi, H. Matsuo, and T. Murakami, “Automatic classification between COVID-19 pneumonia, non-COVID-19 pneumonia, and the healthy on chest X-ray image: combination of data augmentation methods,” Sci. Rep., vol. 10, no. 1, 2020, doi: 10.1038/s41598-020-74539-2.
T. Mahmud, M. A. Rahman, and S. A. Fattah, “CovXNet: A multi-dilation convolutional neural network for automatic COVID-19 and other pneumonia detection from chest X-ray images with transferable multi-receptive feature optimization,” Comput. Biol. Med., vol. 122, 2020, doi: 10.1016/j.compbiomed.2020.103869.
C. S. Widodo, A. Naba, M. M. Mahasin, Y. Yueniwati, T. A. Putranto, and P. I. Patra, “UBNet: Deep learning-based approach for automatic X-ray image detection of pneumonia and COVID-19 patients,” J. Xray. Sci. Technol., vol. 30, no. 1, 2022, doi: 10.3233/XST-211005.
B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, 2021, doi: 10.35314/isi.v6i2.2104.
B. Citra, R. E. D. Green, and B. Rgb, “PENERAPAN ALGORITMA DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK DALAM MENENTUKAN KEMATANGAN BUAH JERUK MANIS APPLICATION OF THE DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK ALGORITHM IN DETERMINING THE MURABILITY OF SWEET ORANGE FRUIT BASED ON IMAGES RED GRE,” vol. 10, no. 1, pp. 59–66, 2023, doi: 10.25126/jtiik.2023105695.
B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 1, 2023, doi: 10.25126/jtiik.20231015695.
B. Yanto, B. -, J. -, and B. H. Hayadi, “INDENTIFIKASI POLA AKSARA ARAB MELAYU DENGAN JARINGAN SYARAF TIRUAN CONVOLUTIONAL NEURAL NETWORK (CNN),” JSAI (Journal Sci. Appl. Informatics), vol. 3, no. 3, 2020, doi: 10.36085/jsai.v3i3.1151.
