DETEKSI DINI KARDIOMEGALI MENGGUNAKAN KLASIFIKASI DEEP LEARNING BERBASIS CONVOLUTIONAL NEURAL NETWORK PADA CITRA X-RAY DADA
Abstract
Proses diagnosa kardiomegali pada dada membutuhkan kecepatan dan akurasi tinggi, namun metode manual seperti wawancara pasien dan analisis subjektif rontgen sering menyebabkan hasil kurang akurat dan perbedaan persepsi antar dokter. Untuk mengatasi hal tersebut, penelitian ini mengembangkan klasifikasi kardiomegali menggunakan teknologi Deep Learning berbasis Convolutional Neural Network (CNN). Penelitian melibatkan dua tahap utama dalam pembuatan model, yaitu Feature Extraction dan Classification, menggunakan 5600 data (4000 untuk pelatihan, 1000 untuk pengujian, dan 600 untuk validasi). Setelah delapan percobaan, akurasi tertinggi diperoleh pada percobaan menggunakan batch size 50, epoch 10 dengan hasil sebesar 95,59%. Evaluasi menggunakan Confusion Matrix, diperoleh accuracy 93%, precision untuk kardiomegali 97%, serta recall sebesar 89%. Hasil ini menunjukkan bahwa metode CNN efektif untuk membantu diagnosa kardiomegali menjadi lebih cepat dan akurat.
References
Firmansyah, I., P, D. U. K., & S, B. A. A. (2012). Klasifikasi Ekspresi Wajah Menggunakan CNN Dalam Keadaan Wild Setting Pada Virtual Meeting. Indonesian Journal of Electronics and Instrumentation Systems (IJEIS), x, 1–13. https://doi.org/10.22146/ijeis.xxxx
Gumelar, G., Ain, Q., Marsuciati, R., Agustanti Bambang, S., Sunyoto, A., & Syukri Mustafa, M. (2021). Kombinasi Algoritma Sampling dengan Algoritma Klasifikasi untuk Meningkatkan Performa Klasifikasi Dataset Imbalance. SISFOTEK : Sistem Informasi Dan Teknologi, 250–255.
Harahap, M., Em Manuel Laia, Lilis Suryani Sitanggang, Melda Sinaga, Daniel Franci Sihombing, & Amir Mahmud Husein. (2022). Deteksi Penyakit Covid-19 Pada Citra X-Ray Dengan Pendekatan Convolutional Neural Network (CNN). Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 6(1), 70–77. https://doi.org/10.29207/resti.v6i1.3373
Nareza, M. (2021). Kardiomegali. https://www.alodokter.com/kardiomegali.
Que, Q., Tang, Z., Wang, R., Zeng, Z., Wang, J., Chua, M., Gee, T. S., Yang, X., & Veeravalli, B. (2018). CardioXNet: Automated Detection for Cardiomegaly Based on Deep Learning. Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 2018-July, 612–615. https://doi.org/10.1109/EMBC.2018.8512374
Raden Satria Yudha Purba Jagad dan Aryo Nur Utomo. (2024). Deteksi Microsleep Pada Pengendara Mobil Menggunakan Haar Cascade Classifier Dan Convolutional Neural Network. E-ISSN 2685-8231 Dan p-ISSN 2252-7354 Junal Rekayasa Informasi, 13(1), 35–44.
Saputra, T., Nurmaini, S., Roseno, M. T., & Syaputra, H. (2023). Heart Chamber Segmentation in Cardiomegaly Conditions Using the CNN Method with U-Net Architecture. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 12(3), 455–461. https://doi.org/10.32736/sisfokom.v12i3.1976
Topan Adib Amrulloh, I., Nurina Sari, B., & Nur Padilah, T. (2024). Evaluasi Augmentasi Data Pada Deteksi Penyakit Daun Tebu Dengan Yolov8. JATI (Jurnal Mahasiswa Teknik Informatika), 8(4), 7547–7552. https://doi.org/10.36040/jati.v8i4.10267
Yandriani, R., & Karani, Y. (2018). Patogenesis Hipertrofi Ventrikel Kiri. Jurnal Kesehatan Andalas, 7(Supplement 2), 159. https://doi.org/10.25077/jka.v7i0.844
Yoo, H., Han, S., & Chung, K. (2021). Diagnosis Support Model of Cardiomegaly Based on CNN Using ResNet and Explainable Feature Map. IEEE Access, 9, 55802–55813. https://doi.org/10.1109/ACCESS.2021.3068597
Zamachsari, F., & Puspitasari, N. (2021). Penerapan Deep Learning dalam Deteksi Penipuan Transaksi Keuangan Secara Elektronik. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), 203–212. https://doi.org/10.29207/resti.v5i2.2952
.png)
.png){kind=logo}
_.png)
.png)
