KLASIFIKASI CITRA PARU-PARU MENGGUNAKAN EFFICIENT NETB0 DAN MOBILENETV2
Bilah Samping Artikel
Read Counter : 8
Download : 33
Isi Artikel Utama
Abstrak
Coronavirus menjadi masalah utama pada tahun 2020 khususnya di Indonesia. Penyebarannya yang cepat dan ciri-ciri yang hampir mirip dengan gangguan paru-paru lainnya membut orang awam sangat membutuhkan tenaga medis untuk pemeriksaan lebih lanjut. Salah satu metode pemeriksaan yang akurat adalah dengan melakukan x-ray paru-paru pasien, namun tidak semua orang bisa membaca hasil dari x-ray tersebut. Kemajuan teknologi di bidang Machine Learning bisa diterapkan untuk membantu mengklasifikasi dan mengidentifikasi data citra x-ray paru-paru pasien. Algoritma yang digunakan adalah algoritma Deep Learning yaitu Convolutional Neural Network (CNN) dengan dua buah arsitek yaitu EfficienNetB0 dan MobileNetV2 yang nantinya akan dibandingkan hasil akurasi dari kedua arsitektur tersebut. Dataset bersumber dari Kaggle yang terdiri dari tiga kelas yaitu 'Covid', 'Normal' dan 'Viral Pneumonia'. Hasil yang didapatkan dari setiap algoritma masing-masing sebesar 87% dan 84%. Maka dari itu, dapat disimpulkan bahwa arsitektur EfficienNet dengan skala B0 merupakan arsitektur yang lebih efektif dibandingkan MobileNetV2 dalam mengklasifikasikan data citra.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Menawarkan akses terbukaReferensi
[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.