Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input

Abstract

<p class="Abstrak">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 <em>Convolutional Neural Network</em> (CNN) dengan arsitektur yang berbeda dengan sejumlah penelitian sebelumnya. Selain itu, penelitian ini juga memodifikasi model CNN dimana metode <em>Extreme Learning Machine</em> (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.</p><p class="Abstrak"> </p><p class="Abstrak"><em><strong>Abstract</strong></em></p><p class="Abstract"><em>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.</em></p>

Improvement Of Image Quality Using Convolutional Neural Networks Method

“…Convolutional Neural Networks, or hereinafter referred to as CNNs (Figure 1, Figure 2) are artificial neural networks whose neurons are represented as a matrix (n x n for an example of a 2-dimensional matrix), unlike neural networks in general which are vectors (n x 1) [3], [9], [10].…”

Kinerja Algoritma Convolutional Neural Network dalam Klasifikasi Covid-19 Varian Omicron Berdasarkan Citra Ct-Scan Thoax

“…Kemudian peneliitan yang dilakukan oleh Adhitio Satyo dalam menganalisa COVID-19 Chest X-Ray menghasilkan penelitian dengan trainning 50 epoch diperoleh nilai yang sangat baik untuk akurasi trainning dan validasi sebesar 95,5% dan 91,8%. Uji testing dengan jumlah data uji 4000 image diperoleh akurasi testing 98%, dengan presisi tiap kelas adalah Covid (99%), Lung_Opacity (97%), Normal (99%) dan Viral pneumonia (99%) [4] Lalu Menurut Budi Nugroho Dalam Mengukur Kinerja Convolutional Neural Network Pada Ukuran Citra Input 200x200, Metode Convolutional Neural Network Dan Convolutional Neural Network-Elm Menunjukkan Kinerja Paling Tinggi Mencapai 8,81% Dan Selisih F1 Score Mencapai 0,0729 dan menurut Novanto Yudistira Deteksi Covid-19 Pada Citra Sinar-X menggunakan 1125 citra sinar-x dan mencapai akurasi 86.93 % dengan jumlah parameter model yang 18.55 kali lebih sedikit dari EfficientNet dan 22.36 kali lebih sedikit dari ResNet50 untuk mendeteksi 3 kategori yaitu Covid-19, Pneumonia, dan normal melalui uji 5-fold crossvalidation [5] Berdasarkan tinjauan berbagai penelitian sebelumnya, data yang digunakan menggunakan citra Chest X-Ray dengan memperkecil ukuran citra, akan tetapi belum ada uraian dalam menggunakan citra yang lebih kecil dengan 150x150, kemudian dalam arsitektur Convolutional Neural Network menggunakan Proses convolution yang pertama mengunakan layer filter 16 dan kernel 3x3. Proses convolution yang kedua mengunakan layer filter 32 dan kernel 3x3.…”

Classification of Coronavirus Disease (Covid-19) Through Chest X-Ray Images Based on Deep Learning

“…In recent years, several studies have detected the disease using CNN. One of the related studies, "Performance of the CNN Method for Pneumonia Classification with Input Image Size Variations," was conducted by Budi Nugroho et al The classification process uses the flattening, fully connected layer, and dense function and obtains an accuracy value of up to 93.59% (Nugroho & Puspaningrum, 2021).…”