Klasifikasi Penyakit Pneumonia Pada Balita Melalui Gambar X-Ray Dengan Metode Convolutional Neural Network (CNN)

• Main Author: Raden Bagus Reinaldy Subiakto, -
• Format: Theses and Dissertations NonPeerReviewed
• Language: Indonesian; Indonesian; Indonesian; Indonesian; Indonesian; Indonesian; Indonesian; Indonesian; Indonesian; Indonesian; Indonesian; Indonesian
• Published: 2021
• Subjects: TJ1 Mechanical engineering and machinery; TJ227-240 Machine design and drawing
• Online Access: http://repository.unair.ac.id/109521/1/1%20Cover.pdf; http://repository.unair.ac.id/109521/2/2%20Abstrak.pdf; http://repository.unair.ac.id/109521/3/3%20Daftar%20Isi.pdf; http://repository.unair.ac.id/109521/4/4%20Bab%201.pdf; http://repository.unair.ac.id/109521/10/5%20Bab%20II.pdf; http://repository.unair.ac.id/109521/5/6%20Bab%20III.pdf; http://repository.unair.ac.id/109521/12/7%20Bab%20IV.pdf; http://repository.unair.ac.id/109521/6/8%20Bab%20V.pdf; http://repository.unair.ac.id/109521/7/9%20Daftar%20Pustaka.pdf; http://repository.unair.ac.id/109521/9/10%20Lampiran.pdf; http://repository.unair.ac.id/109521/8/Embargo%20-%20Reinaldy%20Subiakto.pdf; http://repository.unair.ac.id/109521/11/Surat%20Kesediaan%20Publikasi%20Ilmiah%20-%20Reinaldy%20Subiakto.pdf; http://repository.unair.ac.id/109521/; http://lib.unair.ac.id
• Institution: Universitas Airlangga

Pneumonia adalah diagnosis yang paling umum yang dijumpai pada kasus penyakit paru-paru pada balita. Deep Learning merupakan salah satu bidang dari machine learning. Terdapat berbagai macam metode dalam pemanfaatan deep learning diantaranya adalah Convolutional Neural Network yang akan digunakan pada penelitian ini. Penelitian ini menggunakan metode CNN untuk mengklasifikasikan paru – paru normal dan paru-paru pneumonia pada balita. Data yang digunakan merupakan data sekunder yang didapatkan dari kohort retrospektif pasien anak berusia satu hingga lima tahun dari Guangzhou Women and Children's Medical Center, Guangzhou, China. Data yang telah disiapkan mengalami proses pre-processing yaitu melakukan augmentasi data. Setelah melewati proses pre-processing, tahap selanjutnya adalah perancangan arsitektur CNN. Arsitektur CNN yang digunakan dalam penelitian ini menggunakan 4 arsitektur yaitu VGG16, VGG19, InceptionV3 dan ResNet50. Evaluasi sistem dilakukan dengan menggunakan Confusion matrix dan kurva ROC dengan menghitung nilai Area Under Curve (AUC). Dari hasil evaluasi, arsitektur VGG16 dengan 100 epoch memperoleh nilai akurasi tertinggi yaitu dengan akurasi sebesar 95,51%, sensitifitas sebesar 90,6%, spesifisitas sebesar 98,46%, dan 94,53% untuk nilai AUC. Sedangkan Arsitektur ResNet50 dengan 50 epoch memperoleh hasil nilai terendah, yaitu dengan akurasi sebesar 79,01%, sensitifitas sebesar 44,44%, spesifisitas sebesar 99,74%, dan 72,09% untuk nilai AUC.