Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input
DOI:
https://doi.org/10.25126/jtiik.2021834515Abstrak
Saat ini banyak dikembangkan proses pendeteksian pneumonia berdasarkan citra paru-paru dari hasil foto rontgen (x-ray), sebagaimana juga dilakukan pada penelitian ini. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur yang berbeda dengan sejumlah penelitian sebelumnya. Selain itu, penelitian ini juga memodifikasi model CNN dimana metode Extreme Learning Machine (ELM) digunakan pada bagian klasifikasi, yang kemudian disebut CNN-ELM. Dataset untuk uji coba menggunakan kumpulan citra paru-paru hasil foto rontgen pada Kaggle yang terdiri atas 1.583 citra normal dan 4.237 citra pneumonia. Citra asal pada dataset kaggle ini bervariasi, tetapi hampir semua diatas ukuran 1000x1000 piksel. Ukuran citra yang besar ini dapat membuat pemrosesan klasifikasi kurang efektif, sehingga mesin CNN biasanya memodifikasi ukuran citra menjadi lebih kecil. Pada penelitian ini, pengujian dilakukan dengan variasi ukuran citra input, untuk mengetahui pengaruhnya terhadap kinerja mesin pengklasifikasi. Hasil uji coba menunjukkan bahwa ukuran citra input berpengaruh besar terhadap kinerja klasifikasi pneumonia, baik klasifikasi yang menggunakan metode CNN maupun CNN-ELM. Pada ukuran citra input 200x200, metode CNN dan CNN-ELM menunjukkan kinerja paling tinggi. Jika kinerja kedua metode itu dibandingkan, maka Metode CNN-ELM menunjukkan kinerja yang lebih baik daripada CNN pada semua skenario uji coba. Pada kondisi kinerja paling tinggi, selisih akurasi antara metode CNN-ELM dan CNN mencapai 8,81% dan selisih F1 Score mencapai 0,0729. Hasil penelitian ini memberikan informasi penting bahwa ukuran citra input memiliki pengaruh besar terhadap kinerja klasifikasi pneumonia, baik klasifikasi menggunakan metode CNN maupun CNN-ELM. Selain itu, pada semua ukuran citra input yang digunakan untuk proses klasifikasi, metode CNN-ELM menunjukkan kinerja yang lebih baik daripada metode CNN.
Abstract
This research developed a pneumonia detection machine based on the lungs' images from X-rays (x-rays). The method used is the Convolutional Neural Network (CNN) with a different architecture from some previous research. Also, the CNN model is modified, where the classification process uses the Extreme Learning Machine (ELM), which is then called the CNN-ELM method. The empirical experiments dataset used a collection of lung x-ray images on Kaggle consisting of 1,583 normal images and 4,237 pneumonia images. The original image's size on the Kaggle dataset varies, but almost all of the images are more than 1000x1000 pixels. For classification processing to be more effective, CNN machines usually use reduced-size images. In this research, experiments were carried out with various input image sizes to determine the effect on the classifier's performance. The experimental results show that the input images' size has a significant effect on the classification performance of pneumonia, both the CNN and CNN-ELM classification methods. At the 200x200 input image size, the CNN and CNN-ELM methods showed the highest performance. If the two methods' performance is compared, then the CNN-ELM Method shows better performance than CNN in all test scenarios. The difference in accuracy between the CNN-ELM and CNN methods reaches 8.81% at the highest performance conditions, and the difference in F1-Score reaches 0.0729. This research provides important information that the size of the input image has a major influence on the classification performance of pneumonia, both classification using the CNN and CNN-ELM methods. Also, on all input image sizes used for the classification process, the CNN-ELM method shows better performance than the CNN method.
Downloads
Referensi
DONTHI, A., TAMMANAGARI, A., & HUANG, A., 2018. Pneumonia Detection using Convolutional Neural Networks.
JAIN, R., NAGRATH, P., KATARIA, G., KAUSHIK, V.S., & HEMANTH, D.J., 2020. Pneumonia Detection in chest X-ray images using Convolutional Neural Networks and Transfer Learning. Journal of Measurement, Elsevier Ltd.
KAGGLE, 2020. Chest X-Ray Images (Pneumonia). Tersedia melalui: Kaggle Chest X-Ray Images (Pneumonia)
<https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia> [Diakses 4 Agustus 2020]
KEMENKES (KEMENTERIAN KESEHATAN), 2018. Hasil Riset Kesehatan Dasar (RISKESDAS) Tahun 2018.
MOONEY, P., 2019. Data of Chest X-Ray kaggle. Tersedia melalui: Kaggle <https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia> [Diakses 3 Agustus 2020]
RAJPURKAR, P., 2017. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning.
STEPHEN, O., SAIN, M., MADUH, U. J., & JEONG, D., 2019. An Efficient Deep Learning Approach to Pneumonia Classification in Healthcare.
UREY, D.Y., SAUL, C.J., TAKTAKOGLU, C.D., & APR, C.V., 2019. Early Diagnosis of Pneumonia with Deep Learning.
WATKINS, R.R., & LEMONOVICH, T.L., 2011. Diagnosis and Management of Community-Acquired Pneumonia in Adults.
WORLD HEALTH ORGANIZATION (WHO), 2019. Pneumonia. Tersedia melalui: World Health Organization <https://www.who.int/news-room/fact-sheets/detail/pneumonia.html> [Diakses 20 November 2020]
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).