Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis

Tuberkulosis (TB) merupakan salah satu penyakit berbahaya yang dapat menular lewat udara dan sering menyebabkan kematian apabila tidak cepat ditangani. Penyakit TB bisa disembuhkan dengan deteksi dini sehingga penderita dapat segera mendapatkan pengobatan yang tepat. Metode Convolutional Neural Netw...

Full description

Bibliographic Details
Main Authors: Ovy Rochmawanti, Fitri Utaminingrum, Fitra A. Bachtiar
Format: Article
Language:Indonesian
Published: University of Brawijaya 2021-07-01
Series:Jurnal Teknologi Informasi dan Ilmu Komputer
Online Access:https://jtiik.ub.ac.id/index.php/jtiik/article/view/4441
_version_ 1818647858786598912
author Ovy Rochmawanti
Fitri Utaminingrum
Fitra A. Bachtiar
author_facet Ovy Rochmawanti
Fitri Utaminingrum
Fitra A. Bachtiar
author_sort Ovy Rochmawanti
collection DOAJ
description Tuberkulosis (TB) merupakan salah satu penyakit berbahaya yang dapat menular lewat udara dan sering menyebabkan kematian apabila tidak cepat ditangani. Penyakit TB bisa disembuhkan dengan deteksi dini sehingga penderita dapat segera mendapatkan pengobatan yang tepat. Metode Convolutional Neural Network (CNN) digunakan untuk mendeteksi penyakit TB melalui foto rontgen dada. Penelitian ini bertujuan untuk menentukan model CNN yang mampu menghasilkan performa paling baik dalam mendeteksi penyakit TB. Pengujian dilakukan dengan menggunakan lima pre-trained model yang telah disediakan oleh Keras yaitu ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, dan InceptionResNetV2. Perbedaan ukuran gambar yag digunakan pada saat pelatihan dan pengujian juga akan dianalisis pengaruhnya terhadap nilai akurasi yang dihasilkan dan waktu komputasinya. Hasil pengujian menunjukkan bahwa model DenseNet121 mampu menghasilkan nilai akurasi tertinggi dalam mendeteksi penyakit TB, yaitu 91,57%. Sedangkan model MobileNet merupakan model dengan waktu komputasi tercepat untuk semua ukuran gambar yang diuji. Semakin besar ukuran citra maka semakin tinggi nilai akurasinya, namun di sisi lain waktu komputasi juga akan semakin lama.    Abstract   Tuberculosis (TB) is one of the dangerous disease that can be transmitted through the air and often causes death if not treated quickly. This illness can be cured with early detection, so that sufferers can immediately get the right treatment. The Convolutional Neural Network (CNN) method is used to detect TB disease through chest X-rays. This study aims to determine which CNN model is able to produce the best performance in detecting TB disease. Testing was carried out using five pre-trained models provided by Keras namely ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, and InceptionResNetV2. The difference in image size used during training and testing will also be analyzed for its effect on the resulting accuracy value and its computation time. The test results showed that the DenseNet121 model was able to produce the highest accuracy value in detecting TB disease, namely 91.57%. Meanwhile, the MobileNet model is the model with the fastest computation time for all image sizes tested. The bigger the image size, the higher the accuracy value, but on the other hand the computation time will also be longer.
first_indexed 2024-12-17T01:09:13Z
format Article
id doaj.art-b3b8c6b7671340ef8ef329e9fa0f09f3
institution Directory Open Access Journal
issn 2355-7699
2528-6579
language Indonesian
last_indexed 2024-12-17T01:09:13Z
publishDate 2021-07-01
publisher University of Brawijaya
record_format Article
series Jurnal Teknologi Informasi dan Ilmu Komputer
spelling doaj.art-b3b8c6b7671340ef8ef329e9fa0f09f32022-12-21T22:09:11ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792021-07-018480581410.25126/jtiik.2021844441748Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit TuberkulosisOvy Rochmawanti0Fitri Utaminingrum1Fitra A. Bachtiar2Fakultas Ilmu Komputer, Universitas BrawijayaFakultas Ilmu Komputer, Universitas BrawijayaFakultas Ilmu Komputer, Universitas BrawijayaTuberkulosis (TB) merupakan salah satu penyakit berbahaya yang dapat menular lewat udara dan sering menyebabkan kematian apabila tidak cepat ditangani. Penyakit TB bisa disembuhkan dengan deteksi dini sehingga penderita dapat segera mendapatkan pengobatan yang tepat. Metode Convolutional Neural Network (CNN) digunakan untuk mendeteksi penyakit TB melalui foto rontgen dada. Penelitian ini bertujuan untuk menentukan model CNN yang mampu menghasilkan performa paling baik dalam mendeteksi penyakit TB. Pengujian dilakukan dengan menggunakan lima pre-trained model yang telah disediakan oleh Keras yaitu ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, dan InceptionResNetV2. Perbedaan ukuran gambar yag digunakan pada saat pelatihan dan pengujian juga akan dianalisis pengaruhnya terhadap nilai akurasi yang dihasilkan dan waktu komputasinya. Hasil pengujian menunjukkan bahwa model DenseNet121 mampu menghasilkan nilai akurasi tertinggi dalam mendeteksi penyakit TB, yaitu 91,57%. Sedangkan model MobileNet merupakan model dengan waktu komputasi tercepat untuk semua ukuran gambar yang diuji. Semakin besar ukuran citra maka semakin tinggi nilai akurasinya, namun di sisi lain waktu komputasi juga akan semakin lama.    Abstract   Tuberculosis (TB) is one of the dangerous disease that can be transmitted through the air and often causes death if not treated quickly. This illness can be cured with early detection, so that sufferers can immediately get the right treatment. The Convolutional Neural Network (CNN) method is used to detect TB disease through chest X-rays. This study aims to determine which CNN model is able to produce the best performance in detecting TB disease. Testing was carried out using five pre-trained models provided by Keras namely ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, and InceptionResNetV2. The difference in image size used during training and testing will also be analyzed for its effect on the resulting accuracy value and its computation time. The test results showed that the DenseNet121 model was able to produce the highest accuracy value in detecting TB disease, namely 91.57%. Meanwhile, the MobileNet model is the model with the fastest computation time for all image sizes tested. The bigger the image size, the higher the accuracy value, but on the other hand the computation time will also be longer.https://jtiik.ub.ac.id/index.php/jtiik/article/view/4441
spellingShingle Ovy Rochmawanti
Fitri Utaminingrum
Fitra A. Bachtiar
Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis
Jurnal Teknologi Informasi dan Ilmu Komputer
title Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis
title_full Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis
title_fullStr Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis
title_full_unstemmed Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis
title_short Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis
title_sort analisis performa pre trained model convolutional neural network dalam mendeteksi penyakit tuberkulosis
url https://jtiik.ub.ac.id/index.php/jtiik/article/view/4441
work_keys_str_mv AT ovyrochmawanti analisisperformapretrainedmodelconvolutionalneuralnetworkdalammendeteksipenyakittuberkulosis
AT fitriutaminingrum analisisperformapretrainedmodelconvolutionalneuralnetworkdalammendeteksipenyakittuberkulosis
AT fitraabachtiar analisisperformapretrainedmodelconvolutionalneuralnetworkdalammendeteksipenyakittuberkulosis