Sistem Deteksi Penyakit Pneumonia Menggunakan Algoritma Faster R-CNN Berbasis Citra Digital Rontgen Dada

Hadijah Nisa Ifayatin, Ihsan Sarita, Rizal Adi Saputra

Abstract


Pneumonia menjadi perhatian utama dalam pelayanan kesehatan yang masuk dalam 10 penyakit terbanyak di fasilitas pelayanan kesehatan. Pneumonia, infeksi pada kantung udara di paru-paru, merupakan penyakit serius yang dapat menyebabkan kematian. Data statistik dari Badan Pusat Statistik Provinsi Sulawesi Tenggara menunjukkan adanya peningkatan kasus pneumonia, terutama di rumah sakit. Kasus pneumonia pada balita di Provinsi Sulawesi Tenggara pada tahun 2022 mencapai 13.214, namun hanya sekitar 11,14% yang teridentifikasi dan ditangani. Penelitian ini bertujuan untuk mengimplementasikan metode Faster Convolutional Neural Network ( Faster RCNN) dengan menggunakan model ResNet50. Metode ini digunakan untuk membagi citra rontgen dada menjadi wilayah-wilayah tertentu, yang kemudian diekstraksi guna mendeteksi pneumonia melalui analisis gambar dari data klaster. Algoritma Faster -RCNN dipilih karena keunggulannya dalam bidang visi komputer dan kecepatan dalam eksekusi RPN lebih baik dari RCNN dan Fast RCNN. Sistem ini diharapkan dapat mendeteksi citra gambar yang akan diklasifikasikan menjadi pneumonia dan normal menggunakan Faster RCNN. Pada tahap pengujian, sistem ini akan dievaluasi dengan menggunakan matriks kekeliruan sebagai metode evaluasi utama. Pengujian ini akan mencakup nilai rata-rata loss, spesifisitas  dan akurasi  untuk setiap fitur utama dari sistem yang diusulkan. Evaluasi kinerja sistem juga menggunakan pengujianbounding box . Hasil pengujian menunjukkan bahwa sistem berhasil mengenali citra rontgen dada yang terdeteksi pneumonia atau tidak dan hasil akhir yang diperoleh berdasarkan kesamaan antara data uji dan data latih yang telah disiapkan untuk mengklasifikasikan keluaran antara pneumonia dan normal.


Keywords


Citra Rontgen Dada; Deep Learning; Deteksi Pneumonia; Faster R-CNN; Resnet-50

Full Text:

PDF

References


F. Sibuea, B. Hardhana, and W. Widiantini, Profil Kesehatan Indonesia. 2022.

F. Hatim, “World Pneumonia Day 2022,” 29 Desember. Accessed: Dec. 07, 2023. [Online]. Available: https://yankes.kemkes.go.id/view_artikel/1997/world-pneumonia-day-2022

Direktorat Pencegahan dan Pengendalian Penyakit Menular Kementrian Kesehatan, “Rencana Aksi Kegiatan 2020-2024 (Revisi) Direktorat Pencegahan dan Pengendalian Penyakit Menular Kementrian Kesehatan,” Aug. 2022.

M. K. drg. Emmy Hastuti, “Pneumonia,” Direktorat Jenderal Pelayanan Kesehatan - Kementerian Kesehatan Republik Indonesia. Accessed: Oct. 17, 2023. [Online]. Available: https://yankes.kemkes.go.id/view_artikel/2709/pneumonia

Jumakil and L. Tina, “Perkembangan Kasus Pneumonia Pada Balita Di Provinsi Sulawesi Tenggara Tahun 2017,” Preventif jurnal, vol. 3, no. 2, Apr. 2019.

Fitrianingsi et al., “Profil Rumah Sakit Umum Daerah Kota Kendari,” Kendari, 2022.

S. Tiku, H. M. Iga, Jeni, Jumiati, F. S. Djalil, and Infandri, “Profil Kesehatan Sulawesi Tenggara Tahun 2022,” Kendari, Jul. 2023.

J. Lin and H. Irsyad, “Klasifikasi Pneumonia Pada Citra X-Rays Paru-Paru Menggunakan GLCM Dan LVQ,” 184 Jurnal Algoritme, vol. 1, no. 2, pp. 184–194, 2021.

J. Yopento and F. Coastera, “Identifikasi Pneumonia Pada Citra X-Ray Paru-Paru Menggunakan Metode Convolutional Neural Network (CNN) Berdasarkan Ekstraksi Fitur Sobel,” Jurnal Rekursif, vol. 10, no. 1, pp. 40–47, Mar. 2022, [Online]. Available: http://ejournal.unib.ac.id/index.php/rekursif/40

S. Yao, Y. Chen, X. Tian, and R. Jiang, “Pneumonia Detection Using an Improved Algorithm Based on Faster R-CNN,” Comput Math Methods Med, vol. 2021, no. 1, pp. 1–13, Apr. 2021, doi: 10.1155/2021/8854892.

F. Charli, H. Syaputra, M. Akbar3, S. Sauda, and F. Panjaitan, “Implementasi Metode Faster Region Convolutional Neural Network (Faster R-CNN) Untuk Pengenalan Jenis Burung Lovebird,” Journal of Information Technology Ampera, vol. 1, no. 3, pp. 2774–2121, 2020.

S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” Jun. 2015.

S. Megawan and W. S. Lestari, “Deteksi Spoofing Wajah Menggunakan Faster R-CNN dengan Arsitektur Resnet50 pada Video (Face Spoofing Detection Using Faster R-CNN with Resnet50 Architecture on Video),” 2020. [Online]. Available: https://www.idiap.ch/dataset/replayattack.

N. Hanun, M. Sarosa, and R. Andrie Asmara, “Pemanfaatan Algoritma Faster R-CNN ResNet-101 Untuk Deteksi Potongan Tubuh Manusia,” Jurnal Elektronika dan Otomasi Industri, vol. 10, no. 1, pp. 94–103, May 2023, doi: 10.33795/elkolind.v10i1.2754.

R. Parlika, T. A. Nisa, S. M. Ningrum, and B. A. Haque, ‘Studi Literatur Kekurangan dan Kelebihan Pengujian Black Box’, Teknomatika (Jurnal Teknologi dan Informatika), vol. 10, no. 2, pp. 131–140, Oct. 2020.

H. N. Ifayatin, L. AprilyaniS, dan M. I. Sarita, ‘Aplikasi pengarsipan surat berbasis website kantor Badan Pendapatan Daerah Provinsi Sulawesi Tenggara menggunakan metode Waterfall’, JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, pp. 3143-3145, 2024.

R. A. Saputra, J. Nangi, I. P. Ningrum, dan M. F. Almaliki, ‘Deteksi uang palsu rupiah dengan menggunakan metode deteksi tepi Laplacian of Gaussian (LoG) dan algoritma K-Means clustering,’ Jurnal Buana Informatika, vol. 13, no. 2, pp. 88-92, 2022.




DOI: https://doi.org/10.26418/justin.v12i4.81304

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 JUSTIN (Jurnal Sistem dan Teknologi Informasi)

ara komputer
View My Stats

Creative Commons License
All article in Justin is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License