Optimasi Hyperparameter Deep Learning untuk Deteksi X-Ray Paru-Paru Menggunakan Bayesian Optimization
Main Article Content
Abstract
Penyakit paru-paru, seperti pneumonia dan COVID-19, merupakan ancaman serius terhadap kesehatan masyarakat, terutama jika diagnosisnya mengalami keterlambatan. Pendekatan deteksi dini melalui citra X-ray dada banyak digunakan, namun akurasinya sangat bergantung pada kemampuan sistem klasifikasi. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi citra X-ray paru-paru dengan mengimplementasikan metode deep learning menggunakan arsitektur ResNet-101 yang dioptimasi menggunakan teknik Bayesian Optimization. Dataset yang digunakan dalam penelitian ini terdiri dari tiga kelas yaitu Normal, Pneumonia, dan COVID-19, masing-masing sejumlah 1.000 citra. Kinerja model hasil optimasi dibandingkan dengan model baseline pada tiga skenario split data yaitu 90:10, 80:20, 70:30. Hasil penelitian mengindikasikan bahwa model yang telah dioptimasi mampu meningkatkan performa pada seluruh metrik evaluasi mencakup akurasi, presisi, recall, spesifisitas, dan F1-score. Akurasi tertinggi tercatat sebesar 93,83% pada skenario 80:20, melampau akurasi baseline yang sebesar 91,83. Selain itu, kurva akurasi dan loss menunjukkan proses training yang stabil dan konvergen secara cepat tanpa indikasi overfitting yang signifikan. Penerapan Bayesian Optimization terbukti efektif dalam menemukan konfigurasi hyperparameter optimal yang berdampak pada peningkatan dalam tiap metrik evaluasi
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[1] A. D. Deva, F. Firdaus, S. Hasyim, B. Yanto, R. M. Candra et al., “Klasifikasi prediksi penyakit paru- paru normal dengan pneumonia berdasarkan citra image x-ray dengan optimasi adam convolutional neural network (cnn),” RJOCS (Riau Journal of Computer Science), vol. 10, no. 2, pp. 146–155, 2024
[2] M. N. Achmadiah, J. M. Hasan, and N. Setyawan, “Convolutional neural network (cnn) sebagai metode pendeteksi penderita covid-19 pada x-ray paru-paru manusia,” CYCLOTRON, vol. 5, no. 2, 2022.
[3] A. D. Azzumzumi, M. Hanafi, and W. M. P. Dhuhita, “Klasifikasi Penyakit Paru-Paru Berdasarkan Peningkatan Kualitas Kontras dan EfficientNet Menggunakan Gambar X-Ray,” Teknika, vol. 13, no. 2, pp. 293–300, Jul. 2024.
[4] L. A. Andika, H. Pratiwi, and S. S. Handajani, “Klasifikasi penyakit pneumonia menggunakan metode convolutional neural network dengan optimasi adaptive momentum,” Indonesian Journal of Statistics and Its Applications, vol. 3, no. 3, pp. 331–340, 2019
[5] M. Fitriyasari, “Deteksi covid-19 pada citra x-ray dada menggunakan machine learning,” Jurnal INSTEK (Informatika Sains dan Teknologi), vol. 7, no. 1, pp. 1–10, 2022
[6] N. Yudistira, A. W. Widodo, and B. Rahayudi, “Deteksi covid-19 pada citra sinar-x dada menggunakan deep learning yang efisien,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 7, no. 6, pp. 1289–1296, 2020.
[7] S. Vedhanayaki and V. Indragandhi, “A bayesian optimized deep learning approach for accurate state of charge estimation of lithium ion batteries used for electric vehicle application,” IEEE Access, vol. 12, pp. 43 308–43 327, 2024
[8] K. Mae, “Perbandingan grid search dan bayesian optimization pada klasifikasi collection intensity scoring dan prediksi channel recommendation (studi kasus: P2p lending),” 2024, skripsi, Universitas Multimedia Nusantara.
[9] M. Loey, S. El-Sappagh, and S. Mirjalili, “Bayesian-based optimized deep learning model to detect COVID-19 patients using chest X-ray image data,” Comput Biol Med, vol. 142, Mar. 2022.
[10] M. Miranda, K. Valeriano et al., “A detailed study on the choice of hyperparameters for transfer learn- ing in covid-19 image datasets using bayesian optimization,” International Journal of Advanced Com- puter Science and Applications, vol. 12, no. 4, 2021
[11] S. Kumar, “Covid19-pneumonia-normal chest x-ray images,” https://doi.org/10.17632/dvntn9yhd2.1, 2022, accessed: 2024-05-01
[12] M. Ahsan, M. A. Based, J. Haider, and M. Kowalski, “Covid-19 detection from chest x-ray images using feature fusion and deep learning,” Sensors, vol. 21, no. 4, p. 1480, 2021.
[13] A. Vierisyah, R. M. Fajri et al., “Klasifikasi kanker paru paru menggunakan cnn dengan 5 arsitektur,” Journal of Intelligent Networks and IoT Global, vol. 1, no. 2, pp. 84–91, 2023.
[14] J. Khatib Sulaiman, J. Agung Nurcahyo, T. Bayu Sasongko, U. Amikom Yogyakarta, and K. Kunci, “Hyperparameter Tuning Algoritma Supervised Learning untuk Klasifikasi Keluarga Penerima Bantuan Pangan Beras,” Indonesian Journal of Computer Science. Vol 12, no. 3, 2023.
[15] K. E. S. Wijaya, G. A. Pradipta, and D. Hermawan, “Optimisasi parameter vggnet melalui bayesian optimization untuk klasifikasi nodul paru,” in Seminar Hasil Penelitian Informatika dan Komputer (SPINTER)| Institut Teknologi dan Bisnis STIKOM Bali, 2024, pp. 882–887
[16] L. Yang and A. Shami, “On hyperparameter optimization of machine learning algorithms: Theory and practice,” Neurocomputing, vol. 415, pp. 295–316, 2020.
[17] M. Ait Amou, K. Xia, S. Kamhi, and M. Mouhafid, “A novel mri diagnosis method for brain tumor classification based on cnn and bayesian optimization,” in Healthcare, vol. 10, no. 3. MDPI, 2022, p. 494.
[18] J. Balseca, M. Cruz, and M. G. Baldeón, “Covid-19 resnet: Residual neural network for covid-19 clas- sification with three-step bayesian optimization,” ACI Avances en Ciencias e Ingenierías, no. 1, 2020.