Abstract—Terdapat berbagai jenis gangguan paru-paru kanker paru-paru.[2] Salah satu jenis gangguan paru-paru
seperti pneumothoraks, atelektasis, efusi pleura, dengan persentasi tertinggi yang terjadi pada anak-anak
pneumonia dan kanker paru-paru. Salah satu jenis adalah pneumonia. Pneumonia adalah penyebab terbesar
gangguan paru-paru dengan persentasi tertinggi yang kematian anak di dunia, menewaskan 1,8 juta anak di bawah
terjadi pada anak-anak adalah pneumonia. Pneumonia
adalah penyebab terbesar kematian anak di dunia, usia lima tahun setiap tahun, lebih dari 98% di antaranya
menewaskan 1,8 juta anak di bawah usia lima tahun terjadi di 68 negara berkembang.[3] Secara klinis pneumonia
setiap tahun, lebih dari 98% di antaranya terjadi di 68 didefinisikan sebagai suatu peradangan parenkim paru distal
negara berkembang. Secara klinis pneumonia dari bronkiolus terminalis yang mencakup bronkiolus
didefinisikan sebagai suatu peradangan parenkim paru respiratorius dan alveoli serta menimbulkan konsolidasi
distal dari bronkiolus terminalis yang mencakup jaringan paru dan gangguan pertukaran gas setempat.[4]
bronkiolus respiratorius dan alveoli serta menimbulkan Infeksi yang ditimbulkan pneumonia bisa terjadi pada salah
konsolidasi jaringan paru dan gangguan pertukaran gas
satu sisi paru-paru maupun keduanya. Kantung udara yang
setempat. Infeksi yang ditimbulkan pneumonia bisa
terjadi pada salah satu sisi paru-paru maupun keduanya. terinfeksi tersebut akan terisi oleh cairan, infeksi virus,
Kantung udara yang terinfeksi tersebut akan terisi oleh bakteri maupun jamur adalah penyebab utama pneumonia.[5]
cairan, infeksi virus, bakteri maupun jamur adalah
penyebab utama pneumonia. Klasifikasi Support Vector Salah satu cara untuk mengetahui penyakit pneumonia
Machine (SVM) merupakan salah satu metode machine adalah dengan rongtgen atau x-ray. Karakteristik sinar-X
learning. Keuntungan lain menggunakan SVM adalah dari specificelements dipisahkan menjadi spektrum energi
metode ini dapat dianalisis secara teoritis menggunakan oleh detektor sinar-X dispersif energi (EDX atau EDS), yang
konsep teori pembelajaran komputasi. Pengklasifikasian menganalisis kedalaman elemen-elemen tertentu dalam
menggunakan SVM pada awalnya terbatas untuk dua sampel, deteksi membatasi sekitar 1000 ppm atau 0,1 wt.%.
kelas. Dengan kata lain, SVM adalah pengklasifikasi
Dengan demikian, komposisi unsur sampel tertentu dapat
biner (binary classifier). Namun, sejumlah penelitian
lebih lanjut memungkinkan SVM menjadi multi kelas dibuat.[6] Dengan pemeriksaan ini didapatkan gambaran
(multi class) yang mampu mengklasifikasi data ke dalam kondisi paru-paru yang mengalami pneumonia, diagnosa
kelas yang lebih banyak. Pada penelitian ini nilai akurasi tersebut dianalisi oleh dokter ahli agar diketahui apakah
perbandingan hasil klasifikasi pneumonia dengan kedua terdapat pneumonia atau tidak.[7]. Terdapat banyak
metode adalah 71% untuk metode convolutional neural penelitian dengan berbagai macam metode untuk mendeteksi
network dan 86,4% untuk metode support vector penyakit pneumonia ini diantaranya adalah Penelitian
machine. dengan judul KKN dan Gabor Filter Serta Wiener Filter
Keywords—Pneumonia, X-Ray, convolutional neural network, Untuk Mendiagnosis Penyakit Pneumonia Citra X-Ray Pada
support vector machine. Paru-Paru, penelitian ini memiliki akurasi 79,62%.[4]
Penelitian dengan judul Klasifikasi Pneumonia pada Chest
I. PENDAHULUAN
X_Ray Paru-paru Dengan Ekstraksi Fitur Local Binary
Paru-paru merupakan saluran respirasi bagi manusia untuk Pattern Menggunakan Support Vector Machine, penelitian
bernafas dengan menghirup oksigen (O2) dan ini memiliki akurasi sebesar 65,63%.[9]. Penelitian untuk
menghembuskan karbondioksida (CO2) dan uap air (H2O). mengidentifikasi pneumonia berdasarkan citra x-ray yang
Proses ini dilakukan secara terus menerus setiap waktu dan ditresholding dan menggunakan metode Convolutional
membentu manusia untuk bertahan hidup. Setiap oksigen Neural Network untuk proses klasifikasi, penelitian ini
(O2) yang dihirup akan membantu dalam penyaluran energi memiliki tingkat akurasi 62,66%.[7].
keseluruh tubuh oleh darah. Tidak terbayangkan apabila
terjadi kerusakan atau gangguan terhadap paru-paru. Hal Pada penelitian ini akan membandingkan metode
tersebut dapat menyebabkan kerugian bagi manusia bahkan convolutional neural network dan metode support vector
sampai merenggut jiwa.[1] machine terhadap klasifikasi penyakit pneumonia. Penelitian
ini bertujuan untuk membandingkan kedua metode dan
Terdapat berbagai jenis gangguan paru-paru seperti memberikan hasil akurasi yang berbeda agar dapat diketahui
pneumothoraks, atelektasis, efusi pleura, pneumonia dan
II. METODOLOGI
Penelitian ini menggunakan dua metode machine learning
yaitu metode convolutional neural network dan metode
support vector machine. Pada penelitian ini menggunakan
library Tensorflow dan Scikit-Learn. Sedangkan input yang
digunakan adalah dataset hasil citra X_Ray dari Pneumonia
X-Ray Images Dataset yang diperoleh dari Kaggle. Diagram
Gambar 2. Gambaran Metode CNN
alir berikut merupakan langkah dari penelitian yang
dilakukan. Convolutional Neural Network yang juga dikenal dengan
CNN atau ConvNet adalah pengembangan dari Multilayer
Perceptron (MLP) untuk mengolah data dua dimensi [10].
Multilayer Perceptron sendiri adalah pengembangan dari
Artificial Neural Network (ANN) yang ditujukan untuk
menutupi kekurangan Artificial Neural Network (ANN)
dengan Single-layer Perceptron dalam menyelesaikan
operasi logika yang kompleks [11]. Hal tersebut
dimungkinkan dengan menambahkan hidden layer yang
membuat ANN powerful untuk memecahkan operasi logika
yang kompleks (universal approximation) [12] dan sering
digunakan untuk permasalahan-permasalahan klasifikasi,
recognition, dan prediksi. CNN dapat dibilang sangat sukses
dalam video dan image recognition berskala besar. Google
bahkan menggunakan CNN untuk mengambil nomor rumah
dari gambar StreetView . Namun hal tersebut dapat diatasi
saat ini dengan dataset gambar berukuran besar yang telah
disediakan seperti ImageNet dan pre-trained model seperti
yang disediakan oleh Keras.[12].
Gambar 1. Diagram Alir Metode Berbeda dengan manusia, komputer mengenali gambar
dalam bentuk array dari nilai piksel-pikselnya. Bayangkan
Penjelasan dari diagram alir penelitian sebagai berikut: untuk kasus input gambar dengan resolusi pixel 260×260,
1. Pengumpulan 5856 citra X-Ray Pneumonia yang terbagi akan terdapat 260×260×3 array dari angka. Angka 3 yang
kedalam kategori normal dan opacity dari Kaggle merupakan suku ketiga dari perkalian melambangkan 3 nilai
RGB pada gambar. Selanjutnya, array angka-angka tersebut
2. Pada diagram alir pertama dataset image X-Ray akan diproses oleh CNN untuk dijadikan nilai kemungkinan
Pneumonia dilatih dengan metode Convolutional Neural suatu gambar berada pada kelas tertentu, misalnya 96%
Network sehingga dapat diketahui hasil akurasi metode untuk jenis Poodle, 8% untuk jenis Spaniel, dan 0.3% untuk
tersebut. Pomeranian.[13].
3. Pada diagram alir kedua dataset image X-Ray Pneumonia Pada CNN, data yang dikirimkan ke dalam jaringan adalah
dilatih dengan metode Support Vector Machine sehingga data dua dimensi, sehingga bobot pada hubungan antar
dapat diketahui hasil akurasi metode tersebut. neuron akan berbeda [10]. Operasi linear yang dilakukan
pada CNN pun akan berbeda yaitu akan digunakan operasi
4. Pada tahap akhir hasil akurasi yang telah dilakukan pada konvolusi pada setiap layer. Tidak seperti ANN pada
metode convolutional neural network dan metode support
umumnya, neuron pada layer CNN diatur dalam 3 dimensi
yaitu: lebar, tinggi, dan kedalaman. Layer kedua setelah
layer input pada Gambar 1 dapat dibagi menjadi beberapa
bagian yaitu convolution layer, pooling layer, dan fully- B. Support Vector Machine
connected layer.[14]. Support Vector Machine (SVM) pertama kali dikenalkan
olehVapnik pada tahun 1992 sebagai salah satu metode
Pada convolution layer, dilakukan operasi konvolusi yang machine learning yang bekerja dengan prinsip Structural
merupakan proses utama pada CNN. Konvolusi adalah Risk Minimization/SRMyang bertujuan untuk menemukan
istilah matematis yang berarti mengaplikasikan sebuah hyperplane terbaik yang memisahkan dua buah class pada
fungsi pada output fungsi lain secara berulang. Ketika input space. Metode ini menggunakan hipotesis berupa
menguji keberadaan fitur pada gambar baru, CNN akan fungsi linier dalam sebuah ruang fitur yang berdimensi tinggi,
mencoba semua kemungkinan posisi pada gambar. Filter dengan mengimplementasikan learning bisa yang berasal
dibuat untuk menghitung kecocokan fitur pada keseluruhan dari teori pembelajaran statistik.
gambar.[15].
Support Vector Machine (SVM) adalah suatu teknik untuk
melakukan prediksi, baik dalam kasus klasifikasi maupun
regresi. Support Vector Machine (SVM) memilikiprinsip
dasar linier classifier yaitukasusklasifikasiyangsecaralinier
dapat dipisahkan, namun Support Vector Machine (SVM)
telah dikembangkan agar dapat bekerja pada problem non-
linier dengan memasukkan konsep kernel pada ruang kerja
berdimensi tinggi. Pada ruang berdimensi tinggi, akan dicari
hyperplane yangdapat memaksimalkanjarak(margin)antara
kelasdata.[22].
Konvolusi didefinisikan untuk setiap fungsi intergral yang Nilai akurasi metode convolutional neural network pada
klasifikasi pneumonia dapat dilihat pada tabel berikut.
didefinisikan diatas, dan dapat digunakan untuk tujuan lain
selain mengambil rata-rata tertimbang. Fungsi s(t) Epoch Accuracy Loss
memberikan output tunggal yaitu feature maps, argumen 1 0.7900 0.6342
pertama yaitu input yang merupakan x dan argumen kedua w
sebagai kernel atau filter. Jika dilihat inpur sebagai gambar
2 0.7800 0.5651
dua dimensi, maka dari itu, operasi untuk konvolusi kedalam 3 0.6600 0.6293
input lebih dari satu dimensi dapat ditulis sebagai berikut: 4 0.7300 0.6576
5 0.7800 0.6247 convolutional neural network dan 86,4% untuk metode
support vector machine.
6 0.7400 0.5681
2 . Metode support vector machine lebih baik digunakan
7 0.8200 0.6444 untuk klasifikasi citra X-Ray karena memiliki akurasi yang
8 0.7300 0.4974 lebih baik dari metode convolutional neural network.
9 0.7600 0.5991 REFERENCES
10 0.6300 0.5568
11 0.7500 0.6734
12 0.6900 0.5819 [1] W. Ismail, "Klasifikasi Suara Paru-Paru Menggunakan
13 0.7200 0.6298 Convolutional Neural Network (CNN)", E-Procceding
14 0.6800 0.5858 of Engineering, Vol.8, p. 3218, 2021.
15 0.7000 0.6215 [2] Azizah. Fani, "Analisis Jenis Penyakit Paru-Paru
16 0.6600 0.6399 Berdasarkan Chest X-Ray Menggunakan Metode
17 0.7000 0.6275 Fuzzy C-Means", Jurnal Ilmiah Matematika, Vol. 9,
18 0.7300 0.5823 2021.