MODEL DEEP LEARNING UNTUK DETEKSI PNEUMONIA : STUDI EKSPERIMEN MENGGUNAKAN (CONVOLUTIONAL NEURAL NETWORK) ARSITEKTUR VGG16
Abstract
Pneumonia merupakan salah satu penyebab utama kematian pada anak usia di bawah lima tahun, terutama di negara dengan pendapatan rendah dan menengah. Keterbatasan tenaga kesehatan menyebabkan proses diagnosis sering terlambat, sehingga penanganan penyakit ini menjadi semakin sulit. Penelitian ini mengusulkan penerapan Convolutional Neural Network (CNN) dengan arsitektur VGG16 untuk melakukan deteksi pneumonia secara otomatis melalui citra rontgen dada. Metode ini dipilih karena kemampuannya dalam mengekstraksi fitur penting dari citra dengan efisien. Dataset yang digunakan berisi citra rontgen dada dengan dua kategori, yakni pneumonia dan normal. Model VGG16 diterapkan menggunakan teknik transfer learning guna mengatasi jumlah data pelatihan yang terbatas. Hasil pengujian menunjukkan bahwa model mencapai akurasi 96,42%, precision 96,36%, dan F1-Score 97,58%. Dibandingkan dengan penelitian terdahulu, performa model ini mengalami peningkatan yang signifikan, baik dari sisi akurasi maupun keseimbangan antara presisi dan recall. Selain itu, pendekatan ini mampu meminimalkan overfitting yang sering terjadi pada model lain, sehingga lebih stabil dan layak diterapkan dalam praktik. Dengan demikian, model VGG16 yang dikembangkan berpotensi menjadi solusi yang efektif untuk membantu tenaga medis dalam mendeteksi pneumonia secara cepat dan akurat, serta dapat diperluas untuk identifikasi penyakit paru-paru lainnya.
References
R. A. Wati, H. Irsyad, dan M. Rivan, “Klasifikasi Pneumonia Menggunakan Metode Support Vector Machine,” J. Algoritm, vol. 1, no. 1, hlm. 21–32, 2020.
H. Valentine, “Hubungan Status Gizi Dengan Kejadian Pneumonia Pada Anak-Anak Usia 1–3 Tahun Di Wilayah Kerja UPTD Puskesmas Lubuk Alung Kabupaten Padang Pariaman,” Nan Tongga Health And Nursing, vol. 17, no. 2, hlm. 113–122, 2022.
D. G. Franciska, “HUBUNGAN STATUS GIZI DENGAN KEJADIANPNEUMONIA PADA ANAK BALITA DI WILAYAH KERJA PUSKESMAS RANTAU PANJANG TAHUN 2021,” Jurnal Kesehatan dan Sains Terapan, vol. 8, no. 1, hlm. 13–21, 2022.
Y. I. Herawati, B. Rahmat, dan H. Maulana, “A Data Pre-processing Strategy Utilizing Adaptive Masking for the Classification of Pediatric Pneumonia Using VGG-16,” Jurnal Sistem Informasi dan Ilmu Komputer, vol. 8, no. 1, hlm. 173–183, 2024.
F. Antony, H. Irsyad, dan M. E. Al Rivan, “Knn dan gabor filter serta wiener filter untuk mendiagnosis penyakit pneumonia citra x-ray pada paru-paru,” Jurnal Algoritme, vol. 1, no. 2, hlm. 147–155, 2021.
S. Sukegawa dkk., “Effectiveness of deep learning classifiers in histopathological diagnosis of oral squamous cell carcinoma by pathologists,” Sci Rep, vol. 13, no. 1, hlm. 11676, 2023.
J. Halim dan A. N. Fajar, “Klasifikasi Pisang Berbasis Algoritma VGG16 Melalui Metode CNN Deep Learning,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 15, no. 1, hlm. 1–17, 2023.
A. D. Putro dan H. Tantyoko, “Hybrid Algoritma Vgg16-Net Dengan Support Vector Machine Untuk Klasifikasi Jenis Buah dan sayuran,” JTIM: Jurnal Teknologi Informasi dan Multimedia, vol. 5, no. 2, hlm. 56–65, 2023.
K. Simonyan dan A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv preprint arXiv:1409.1556, 2014.
S. R. I. A. E. ALBAKIA dan R. A. Saputra, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16,” Jurnal Informatika Polinema, vol. 9, no. 4, hlm. 451–460, 2023.
N. G. Davies, S. Flasche, M. Jit, dan K. E. Atkins, “Modeling the effect of vaccination on selection for antibiotic resistance in Streptococcus pneumonia E,” Sci Transl Med, vol. 13, no. 606, hlm. 86–90, 2021.
S. M. Amaral, A. de Q. Cortês, dan F. R. Pires, “Pneumonia nosocomial: importância do microambiente oral,” Jornal Brasileiro de Pneumologia, vol. 35, hlm. 1116–1124, 2009.
A. K. Putra dan H. Bunyamin, “Pengenalan Simbol Matematika dengan Metode Convolutional Neural Network (CNN),” Jurnal STRATEGI-Jurnal Maranatha, vol. 2, no. 2, hlm. 426–433, 2020.
W. S. E. Putra, “Klasifikasi citra menggunakan convolutional neural network (CNN) pada caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, 2016.
C. A. S. Kinasih dan H. Hidayat, “Ekstraksi Data Bangunan Dari Data Citra Unmanned Aerial Vehicle Menggunakan Metode Convolutional Neural Networks (CNN)(Studi Kasus: Desa Campurejo, Kabupaten Gresik),” Geoid, vol. 17, no. 1, hlm. 81–92, 2022.
A. Jinan dan B. H. Hayadi, “Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron),” Journal of Computer and Engineering Science, hlm. 37–44, 2022.
W. S. E. Putra, “Klasifikasi citra menggunakan convolutional neural network (CNN) pada caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, 2016.
M. Yosephine dkk., “Comparative Study of Convolutional Neural Network Architecture in Lymphoma Detection,” dalam 4th International Conference on Life Sciences and Biotechnology (ICOLIB 2021), Atlantis Press, 2022, hlm. 193–202.
V. Vincen dan S. Samsuryadi, “Brahmi Script Classification using VGG16 Architecture Convolutional Neural Network,” Computer Engineering and Applications Journal, vol. 11, no. 2, hlm. 127–136, 2022.
A. Sunyoto, Y. Pristyanto, A. Setyanto, F. Alarfaj, N. Almusallam, dan M. Alreshoodi, “The Performance Evaluation of Transfer Learning VGG16 Algorithm on Various Chest X-ray Imaging Datasets for COVID-19 Classification,” International Journal of Advanced Computer Science and Applications, vol. 13, no. 9, 2022.
K. Kusrini, M. R. A. Yudianto, dan H. Al Fatta, “The effect of Gaussian filter and data preprocessing on the classification of Punakawan puppet images with the convolutional neural network algorithm,” International Journal of Electrical and Computer Engineering, vol. 12, no. 4, hlm. 3752, 2022.
R. S. Passa, S. Nurmaini, dan D. P. Rini, “DETEKSI TUMOR OTAK PADA MAGNETIC RESONANCE IMAGING MENGGUNAKAN YOLOv7,” Jurnal Ilmiah MATRIK, vol. 25, no. 2, hlm. 116–121, 2023.
D. I. Mulyana dan R. Alifah, “Optimasi Deteksi Tumor Otak Menggunakan Adaptive Multiscale Retinex dan YOLOV10 Pada Citra Digital,” Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 5, no. 3, hlm. 2742–2751, 2024.
R. K. Dinata, S. Safwandi, N. Hasdyna, dan N. Azizah, “Analisis k-means clustering pada data sepeda motor,” INFORMAL: Informatics Journal, vol. 5, no. 1, hlm. 10–17, 2020.
| Keywords | : | |
| Galleys | : | |
| Published | : |
2025-12-24
|
| How to Cite | : |
Kurniawan, A. A., Dwi Baharna, H., & Riko Muhammad Suri. (2025). MODEL DEEP LEARNING UNTUK DETEKSI PNEUMONIA : STUDI EKSPERIMEN MENGGUNAKAN (CONVOLUTIONAL NEURAL NETWORK) ARSITEKTUR VGG16. Jurnal Informatika Medis, 3(2), 6–11. https://doi.org/10.52060/im.v3i2.3847
|
| Issue | : |
Section
Articles
|
