KLASIFIKASI CITRA PARU-PARU MENGGUNAKAN EFFICIENT NETB0 DAN MOBILENETV2
Article Sidebar
Read Counter : 3
Download : 2
Main Article Content
Abstract
Coronavirus is a major problem in 2020, especially in Indonesia. Its rapid spread and characteristics that are almost similar to other lung disorders mean that ordinary people really need medical personnel for further examination. One accurate examination method is to do an x-ray of the patient's lungs, but not everyone can read the results of the x-ray. Technological advances in the field of Machine Learning can be applied to help classify and identify patient lung x-ray image data. The algorithm used is a Deep Learning algorithm, namely Convolutional Neural Network (CNN) with two architects, namely EfficientNetB0 and MobileNetV2, which will later compare the accuracy results of the two architectures. The dataset is sourced from Kaggle which consists of three classes, namely 'Covid', 'Normal' and 'Viral Pneumonia'. The results obtained from each algorithm were 87% and 84% respectively. Therefore, it can be concluded that the EfficientNet architecture with B0 scale is a more effective architecture than MobileNetV2 in classifying image data.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Menawarkan akses terbukaReferences
[1] M. SUYUTI, Pengembangan Model Klasifikasi Mata Tertutup dan Terbuka Dalam Identifikasi Kelelahan Menggunakan Arsitektur Mobile CNN, UNIVERSITAS ISLAM INDONESIA, 2023.
[2] H. Tohari, Analisis Serta Perancangan Sistem Informasi Melalui Pendekatan UML, Yogyakarta: Penerbit Andi, 2014.
[3] Kusrini dan A. Kristanto, Tuntunan Praktis Membangun Sistem Informasi Akuntansi dengan Visual Basic dan SQL Server, Yogyakarta: Penerbit Andi, 2009.
[4] A. Kadir, Pengenalan Sistem Informasi Edisi Revisi, Yogyakarta: Penerbit Andi, 2013.
[5] F. Ilmiajayanti dan D. I. K. Dewi, “Persepsi Pengguna Taman Tematik Kota Bandung Terhadap Aksesibilitas Dan Pemanfaatannya,” RUANG, Volume 1, Nomor 1, 2015 ISSN: 2356-0088, p. 23, 2015.
[6] R. M. Diar, R. Y. N. Fu’Adah dan K. Usman, “Klasifikasi Penyakit Paru-Paru Berbasis Pengolahan Citra X Ray Menggunakan Convolutional Neural Network (Classification Of The Lung Diseases Based On X Ray Image Processing Using Convolutional Neural Network,” eProceedings of Engineering, vol. IX, 2022.
[7] I. M. D. Maysanjaya, “Klasifikasi Pneumonia pada Citra X-rays Paru-paru dengan Convolutional neural network,” Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, vol. IX, no. 2, pp. 190-195, 2020
[8] Y. F. Riti dan S. S. Tandjung, “Klasifikasi Covid-19 Pada Citra CT Scans Paru-Paru Menggunakan Metode Convolution Neural Network,” Progresif: Jurnal Ilmiah Komputer, vol. XVIII, no. 1, pp. 91-100, 2022
[9] A. Roihan, P. A. Sunarya dan A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang,” Jurnal Khatulistiwa Informatika, vol. V, no. 1, 2020
[10] I. a. S. S. Cholissodin, A. Soebroto, U. Hasanah dan Y. Febiola, AI, Machine Learning & Deep Learning, Malang, 2020
[11] J. Lin dan H. Irsyad, “Klasifikasi Pneumonia Pada Citra X-Rays Paru-Paru Menggunakan GLCM Dan LVQ,” Jurnal Algoritme, vol. I, no. 2, pp. 184-194, 2021.
[12] B. P. Hartato, “Penerapan Convolutional Neural Network pada Citra Rontgen Paru-Paru untuk Deteksi SARS-CoV-2,” Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), vol. V, no. 4, pp. 747-759, 2021.
[13] A. a. R. Y. Fadli dan M. S. Aliim, “urwarupa Sistem Deteksi COVID-19 Berbasis Website Menggunakan Algoritma Convolutional Neural Network,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. V, no. 5, pp. 876-883, 2021
[14] M. Harahap, E. M. Laia, L. S. Sitanggang, M. Sinaga, D. F. Sihombing dan A. M. Husein, “penyakit covid-19 pada citra x-ray dengan pendekatan convolutional neural network (cnn),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. XI, no. 1, pp. 70-77, 2022
[15] S. Anggraini, M. Akbar, A. Wijaya, H. Syaputra dan M. Sobri, “Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Machine Learning,” Journal of Software Engineering Ampera, vol. II, no. 1, pp. 57-68, 2021.
[16] L. Arisandi dan B. Satya, “Sistem Klarifikasi Bahasa Isyarat Indonesia (Bisindo) Dengan Menggunakan Algoritma Convolutional Neural Network,” Jurnal Sistem Cerdas, vol. X, no. 3, pp. 135-146, 2022.
[17] S. N. Fadilah, D. C. R. Novitasari dan L. Hakim, “Pengaruh Reduksi Fitur Pada Klasifikasi Kanker Paru Menggunakan CNN Dengan Arsitektur GoogLeNet,” Jurnal Fourier, vol. XII, no. 1, pp. 20-32, 2023
[18] I. N. Purnama, “Herbal Plant Detection Based on Leaves Image Using Convolutional Neural Network With Mobile Net Architecture,” JITK (Jurnal Ilmu Pengetahuan Dan Teknologi Komputer)}, vol. VI, no. 1, pp. 27-32, 2020
[19] N. a. A. D. M. a. S. A. S. a. N. R. A. S. a. A. M. I. Nufus, N. N. A. Marlina, C. H. Parangin dan E. Ema, “Sistem Pendeteksi Pejalan Kaki Di Lingkungan Terbatas Berbasis SSD MobileNet V2 Dengan Menggunakan Gambar 360° Ternormalisasi,” Prosiding Seminar Nasional Sains Teknologi dan Inovasi Indonesia (SENASTINDO), vol. III, pp. 123-134, 2021.
[20] X. Chen, X. Pu, Z. a. L. L. Chen, K.-N. Zhao, H. Liu dan H. Zhu, Application of EfficientNet-B0 and GRU-based deep learning on classifying the colposcopy diagnosis of precancerous cervical lesions, Wiley Online Library, 2023.