Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16

Abstract

Di masa pandemi Covid-19, foto rontgen menjadi umum digunakan untuk memeriksa pasien diduga Covid-19. Pada citra x-ray paru-paru yang terkena Covid-19 ditemukan adanya bercak putih atau flek. Namun, paru-paru yang memiliki flek ini tidak selalu disebabkan oleh Covid-19. Tujuan penelitian ini adalah untuk mengklasifikasikan beberapa jenis penyakit paru-paru dari citra x-ray, yaitu paru-paru dengan Covid-19, paru-paru dengan pneumonia, dan paru-paru yang memiliki flek dibandingkan dengan yang normal. Proses klasifikasi data pada penelitian ini dilakukan dengan membandingkan dua model yaitu CNN VGG-16 dan ResNet-50 dengan model yang telah dilatih sebelumnya. Metrik evaluasi yang digunakan dalam penelitian ini terdiri dari akurasi, presisi, sensitivitas, spesifisitas, skor F1, dan kecepatan waktu inferensi. Hasil menunjukkan bahwa VGG-16 lebih unggul dari ResNet-50 dalam hal kecepatan inferensi namun tidak dalam hal metrik evaluasi lainnya. Perubahan parameter juga menunjukkan hasil yang berbeda, epoch 200 adalah nilai optimal. Untuk mendapatkan hasil yang optimal diperlukan finetuning dengan menyesuaikan kondisi data yang digunakan. Sebagai simpulan, VGG-16 memiliki kemampuan klasifikasi yang lebih baik dibandingkan ResNet-50, namun perlu terus dikembangkan dengan memperbanyak data klinis yang aktual.

Klasifikasi Penyakit Tuberculosis Berdasarkan Citra Rontgen Thorax Menggunakan Multi-Scale Convolutional Neural Network

“…Selanjutnya, pada penelitian [9] mengklasifikasikan jenis kanker paru apakah termasuk dalam kelas lung adenocarcinoma, benign lung tissue, lung squamous cell carcinoma berdasarkan citra histopatologi menggunakan CNN arsitektur GoogLeNet dan reduksi fitur PCA. Pada penelitian [10], dilakukan perbandingan kemampuan klasifikasi menggunakan Transfer Learning ResNet-50 dan VGG-16 dalam kasus klasifikasi citra X-ray paru-paru, hasil dari penelitian ini adalah VGG-16 memiliki kemampuan klasifikasi yang lebih baik dibandingkan ResNet-50 dalam kasus ini namun tidak terdapat perbedaan yang signifikan diantara keduanya. Berikutnya pada penelitian ini [11], menggunakan CNN dengan arsitektur ResNet152V2 untuk membuat klasifikasi citra X-Ray paru-paru Pneumonia dan Non-Pneumonia menggunakan sebanyak 3000 data latih atau 80% dan 590 data validasi atau 20% dengan melakukan pengujian sebanyak 20 kali dengan ukuran batch 32, penelitian ini menghasilkan akurasi 91,4% dan memiliki nilai loss 0,18. https://doi.org/10.56211/sudo.v3i1.483…”

Comparative Analysis of Convolutional Neural Network (CNN) Architectures in Classification of Cattle and Pig Rambaks

“…Research conducted Berliani et al (2023) using the ResNet-50 and VGG-16 architecture in lung X-ray image classification found that ResNet-50 had better accuracy with an accuracy rate of 95.13%. The findings from Putra et al (2021) those who obtained the VGG-16 architecture had an accuracy of 95.33% in classifying meat through images.…”