Kinerja Algoritma Optimasi Root-Mean-Square Propagation dan Stochastic Gradient Descent pada Klasifikasi Pneumonia Covid-19 Menggunakan CNN

Budi Nugroho, Eva Yulia Puspaningrum, M. Syahrul Munir

Abstract


Penelitian ini berkaitan dengan proses klasifikasi Pneumonia Covid-19 (radang paru-paru atau pneumonia yang disebabkan oleh virus corona SARS-CoV-2) dari citra hasil foto rontgen / x-ray paru-paru dengan menggunakan pendekatan pembelajaran mesin. Klasifikasi dilakukan untuk menentukan apakah kondisi paru-paru seseorang mengalami Pneumonia Covid-19, Pneumonia biasa, atau Normal / Sehat. Untuk menghasilkan kinerja klasifikasi yang lebih baik, proses optimasi seringkali digunakan pada tahap pelatihan data. Banyak teknik yang digunakan untuk melakukan optimasi tersebut, diantaranya adalah algoritma Root-Mean-Square Propagation (RMSprop) dan Stochastic Gradient Descent (SGD). Pada penelitian ini, pengujian dilakukan terhadap kedua metode tersebut untuk mengetahui kinerjanya pada klasifikasi Pneumonia Covid-19. Metode klasifikasi menggunakan Convolutional Neural Network (CNN) yang menerapkan 5 layer konvolusi dengan nilai filter 16, 32, 64, 128, dan 256. Proses pelatihan menggunakan 3.900 citra yang terdiri atas 1.300 citra pneumonia covid-19, 1.300 citra pneumonia, dan 1.300 citra normal. Sedangkan proses validasi menggunakan 450 citra dan proses pengujian mengunakan 225 citra. Berdasarkan uji coba yang telah dilakukan, implementasi algoritma optimasi RMSprop menghasilkan akurasi 87,99%, presisi 0,88, recall 0,86, dan f1 score 0,87. Sedangkan implementasi algoritma optimasi SGD menghasilkan akurasi 66,22%, presisi 0,69, recall 0,64, dan f1 score 0,67. Hasil ini memberikan informasi penting bahwa algoritma optimasi RMSprop menghasilkan kinerja yang jauh lebih baik daripada SGD pada klasifikasi Pneumonia Covid-19.


Keywords


Pneumonia Covid-19; Optimasi; RMSprop; SGD; CNN; Kinerja Klasifikasi

Full Text:

PDF

References


T. Franquet, “Imaging of Community-Acquired Pneumonia,” J. Thorac. Imaging, vol. 33, no. 5, pp. 282–294, 2018, doi: 10.1097/RTI.0000000000000347.

S. Bharati, P. Podder, and M. R. H. Mondal, “Hybrid deep learning for detecting lung diseases from X-ray images,” Informatics Med. Unlocked, vol. 20, p. 100391, 2020, doi: 10.1016/j.imu.2020.100391.

S. Albahli, “Efficient GAN-based Chest Radiographs (CXR) augmentation to diagnose coronavirus disease pneumonia,” Int. J. Med. Sci., vol. 17, no. 10, p. 1439, 2020.

M. Heidari, S. Mirniaharikandehei, A. Z. Khuzani, G. Danala, Y. Qiu, and B. Zheng, “Improving the performance of CNN to predict the likelihood of COVID-19 using chest X-ray images with preprocessing algorithms,” Int. J. Med. Inform., vol. 144, p. 104284, Dec. 2020, doi: 10.1016/j.ijmedinf.2020.104284.

Q. Z. Song, L. Zhao, X. K. Luo, and X. C. Dou, “Using Deep Learning for Classification of Lung Nodules on Computed Tomography Images,” J. Healthc. Eng., vol. 2017, 2017, doi: 10.1155/2017/8314740.

I. Sirazitdinov, M. Kholiavchenko, T. Mustafaev, Y. Yixuan, R. Kuleev, and B. Ibragimov, “Deep neural network ensemble for pneumonia localization from a large-scale chest x-ray database,” Comput. Electr. Eng., vol. 78, pp. 388–399, 2019, doi: 10.1016/j.compeleceng.2019.08.004.

O. Stephen, M. Sain, U. J. Maduh, and D. U. Jeong, “An Efficient Deep Learning Approach to Pneumonia Classification in Healthcare,” J. Healthc. Eng., vol. 2019, 2019, doi: 10.1155/2019/4180949.

M. Polsinelli, L. Cinque, and G. Placidi, “A light CNN for detecting COVID-19 from CT scans of the chest,” Pattern Recognit. Lett., vol. 140, pp. 95–100, 2020, doi: 10.1016/j.patrec.2020.10.001.

X. Yu, S. H. Wang, and Y. D. Zhang, “CGNet: A graph-knowledge embedded convolutional neural network for detection of pneumonia,” Inf. Process. Manag., vol. 58, no. 1, p. 102411, 2021, doi: 10.1016/j.ipm.2020.102411.

R. Jain, P. Nagrath, G. Kataria, V. Sirish Kaushik, and D. Jude Hemanth, “Pneumonia detection in chest X-ray images using convolutional neural networks and transfer learning,” Meas. J. Int. Meas. Confed., vol. 165, p. 108046, 2020, doi: 10.1016/j.measurement.2020.108046.

T. Tieleman and G. Hinton, “Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude,” COURSERA Neural networks Mach. Learn., vol. 4, no. 2, pp. 26–31, 2012.

I. Sutskever, J. Martens, G. Dahl, and G. Hinton, “On the importance of initialization and momentum in deep learning,” 30th Int. Conf. Mach. Learn. ICML 2013, no. PART 3, pp. 2176–2184, 2013.

J. Huang, “RMSProp.” 2020, [Online]. Available: https://optimization.cbe.cornell.edu/index.php?title=RMSProp.

D. Needell, N. Srebro, and R. Ward, “Stochastic gradient descent, weighted sampling, and the randomized Kaczmarz algorithm,” Math. Program., vol. 155, no. 1–2, pp. 549–573, 2016, doi: 10.1007/s10107-015-0864-7.

S. Ruder, “An overview of gradient descent optimization algorithms,” 2020. https://ruder.io/optimizing-gradient-descent/index.html#batchgradientdescent.




DOI: http://dx.doi.org/10.26418/jp.v7i3.49172

Refbacks

  • There are currently no refbacks.