Perbandingan Model Klasifikasi Menggunakan
Convolutional Neural Network Dan Support Vector
Machine Terhadap Klasifikasi Penyakit Pneumonia
Siti Fathimah Muthmainnah
Program Studi Teknik Informatika,
Universitas Darussalam Gontor
Mantingan, Ngawi, Indonesia
sitimuthmainnah@mhs.unida.gontor.ac.id
Abstract—Terdapat berbagai jenis gangguan paru-paru
seperti pneumothoraks, atelektasis, efusi pleura,
pneumonia dan kanker paru-paru. Salah satu jenis
gangguan paru-paru dengan persentasi tertinggi yang
terjadi pada anak-anak adalah pneumonia. Pneumonia
adalah penyebab terbesar kematian anak di dunia,
menewaskan 1,8 juta anak di bawah usia lima tahun
setiap tahun, lebih dari 98% di antaranya terjadi di 68
negara berkembang. Secara klinis pneumonia
didefinisikan sebagai suatu peradangan parenkim paru
distal dari bronkiolus terminalis yang mencakup
bronkiolus respiratorius dan alveoli serta menimbulkan
konsolidasi jaringan paru dan gangguan pertukaran gas
setempat. Infeksi yang ditimbulkan pneumonia bisa
terjadi pada salah satu sisi paru-paru maupun keduanya.
Kantung udara yang terinfeksi tersebut akan terisi oleh
cairan, infeksi virus, bakteri maupun jamur adalah
penyebab utama pneumonia. Klasifikasi Support Vector
Machine (SVM) merupakan salah satu metode machine
learning. Keuntungan lain menggunakan SVM adalah
metode ini dapat dianalisis secara teoritis menggunakan
konsep teori pembelajaran komputasi. Pengklasifikasian
menggunakan SVM pada awalnya terbatas untuk dua
kelas. Dengan kata lain, SVM adalah pengklasifikasi
biner (binary classifier). Namun, sejumlah penelitian
lebih lanjut memungkinkan SVM menjadi multi kelas
(multi class) yang mampu mengklasifikasi data ke dalam
kelas yang lebih banyak. Pada penelitian ini nilai akurasi
perbandingan hasil klasifikasi pneumonia dengan kedua
metode adalah 71% untuk metode convolutional neural
network dan 86,4% untuk metode support vector
machine.
Keywords—Pneumonia, X-Ray, convolutional neural network,
support vector machine.
I. PENDAHULUAN
Paru-paru merupakan saluran respirasi bagi manusia untuk
bernafas dengan menghirup oksigen (O2) dan
menghembuskan karbondioksida (CO2) dan uap air (H2O).
Proses ini dilakukan secara terus menerus setiap waktu dan
membentu manusia untuk bertahan hidup. Setiap oksigen
(O2) yang dihirup akan membantu dalam penyaluran energi
keseluruh tubuh oleh darah. Tidak terbayangkan apabila
terjadi kerusakan atau gangguan terhadap paru-paru. Hal
tersebut dapat menyebabkan kerugian bagi manusia bahkan
sampai merenggut jiwa.[1]
Terdapat berbagai jenis gangguan paru-paru seperti
pneumothoraks, atelektasis, efusi pleura, pneumonia dan
XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE
kanker paru-paru.[2] Salah satu jenis gangguan paru-paru
dengan persentasi tertinggi yang terjadi pada anak-anak
adalah pneumonia. Pneumonia adalah penyebab terbesar
kematian anak di dunia, menewaskan 1,8 juta anak di bawah
usia lima tahun setiap tahun, lebih dari 98% di antaranya
terjadi di 68 negara berkembang.[3] Secara klinis pneumonia
didefinisikan sebagai suatu peradangan parenkim paru distal
dari bronkiolus terminalis yang mencakup bronkiolus
respiratorius dan alveoli serta menimbulkan konsolidasi
jaringan paru dan gangguan pertukaran gas setempat.[4]
Infeksi yang ditimbulkan pneumonia bisa terjadi pada salah
satu sisi paru-paru maupun keduanya. Kantung udara yang
terinfeksi tersebut akan terisi oleh cairan, infeksi virus,
bakteri maupun jamur adalah penyebab utama pneumonia.[5]
Salah satu cara untuk mengetahui penyakit pneumonia
adalah dengan rongtgen atau x-ray. Karakteristik sinar-X
dari specificelements dipisahkan menjadi spektrum energi
oleh detektor sinar-X dispersif energi (EDX atau EDS), yang
menganalisis kedalaman elemen-elemen tertentu dalam
sampel, deteksi membatasi sekitar 1000 ppm atau 0,1 wt.%.
Dengan demikian, komposisi unsur sampel tertentu dapat
dibuat.[6] Dengan pemeriksaan ini didapatkan gambaran
kondisi paru-paru yang mengalami pneumonia, diagnosa
tersebut dianalisi oleh dokter ahli agar diketahui apakah
terdapat pneumonia atau tidak.[7]. Terdapat banyak
penelitian dengan berbagai macam metode untuk mendeteksi
penyakit pneumonia ini diantaranya adalah Penelitian
dengan judul KKN dan Gabor Filter Serta Wiener Filter
Untuk Mendiagnosis Penyakit Pneumonia Citra X-Ray Pada
Paru-Paru, penelitian ini memiliki akurasi 79,62%.[4]
Penelitian dengan judul Klasifikasi Pneumonia pada Chest
X_Ray Paru-paru Dengan Ekstraksi Fitur Local Binary
Pattern Menggunakan Support Vector Machine, penelitian
ini memiliki akurasi sebesar 65,63%.[9]. Penelitian untuk
mengidentifikasi pneumonia berdasarkan citra x-ray yang
ditresholding dan menggunakan metode Convolutional
Neural Network untuk proses klasifikasi, penelitian ini
memiliki tingkat akurasi 62,66%.[7].
Pada penelitian ini akan membandingkan metode
convolutional neural network dan metode support vector
machine terhadap klasifikasi penyakit pneumonia. Penelitian
ini bertujuan untuk membandingkan kedua metode dan
memberikan hasil akurasi yang berbeda agar dapat diketahui
metode yang paling baik untuk klasifikasi penyakit
pneumonia. Klasifikasi Support Vector Machine (SVM)
merupakan salah satu metode machine learning. Keuntungan
lain menggunakan SVM adalah metode ini dapat dianalisis
secara teoritis menggunakan konsep teori pembelajaran
komputasi.[7] Pengklasifikasian menggunakan SVM pada
awalnya terbatas untuk dua kelas. Dengan kata lain, SVM
adalah pengklasifikasi biner (binary classifier). Namun,
sejumlah penelitian lebih lanjut memungkinkan SVM
menjadi multi kelas (multi class) yang mampu
mengklasifikasi data ke dalam kelas yang lebih banyak.[8]
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
alir berikut merupakan langkah dari penelitian yang
dilakukan.
Gambar 1. Diagram Alir Metode
Penjelasan dari diagram alir penelitian sebagai berikut:
1. Pengumpulan 5856 citra X-Ray Pneumonia yang terbagi
kedalam kategori normal dan opacity dari Kaggle
2. Pada diagram alir pertama dataset image X-Ray
Pneumonia dilatih dengan metode Convolutional Neural
Network sehingga dapat diketahui hasil akurasi metode
tersebut.
3. Pada diagram alir kedua dataset image X-Ray Pneumonia
dilatih dengan metode Support Vector Machine sehingga
dapat diketahui hasil akurasi metode tersebut.
4. Pada tahap akhir hasil akurasi yang telah dilakukan pada
metode convolutional neural network dan metode support
vector machine dibandingkan sehingga dapat dilihat metode
mana yang memiliki nilai akurasi tinggi dan optimal.
A. Convolutional Neural Network
Convolutional Neural Network (CNN) adalah salah satu
jenis neural network yang biasa digunakan pada data image.
CNN bisa digunakan untuk mendeteksi dan mengenali object
pada sebuah image. Secara garis besar CNN tidak jauh beda
dengan neural network biasanya. CNN terdiri dari neuron
yang memiliki weight, bias dan activation function seperti
yang sudah kita pelajari pada part sebelumnya.[9].
Gambar 2. Gambaran Metode CNN
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].
Berbeda dengan manusia, komputer mengenali gambar
dalam bentuk array dari nilai piksel-pikselnya. Bayangkan
untuk kasus input gambar dengan resolusi pixel 260×260,
akan terdapat 260×260×3 array dari angka. Angka 3 yang
merupakan suku ketiga dari perkalian melambangkan 3 nilai
RGB pada gambar. Selanjutnya, array angka-angka tersebut
akan diproses oleh CNN untuk dijadikan nilai kemungkinan
suatu gambar berada pada kelas tertentu, misalnya 96%
untuk jenis Poodle, 8% untuk jenis Spaniel, dan 0.3% untuk
Pomeranian.[13].
Pada CNN, data yang dikirimkan ke dalam jaringan adalah
data dua dimensi, sehingga bobot pada hubungan antar
neuron akan berbeda [10]. Operasi linear yang dilakukan
pada CNN pun akan berbeda yaitu akan digunakan operasi
konvolusi pada setiap layer. Tidak seperti ANN pada
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-
connected layer.[14].
Pada convolution layer, dilakukan operasi konvolusi yang
merupakan proses utama pada CNN. Konvolusi adalah
istilah matematis yang berarti mengaplikasikan sebuah
fungsi pada output fungsi lain secara berulang. Ketika
menguji keberadaan fitur pada gambar baru, CNN akan
mencoba semua kemungkinan posisi pada gambar. Filter
dibuat untuk menghitung kecocokan fitur pada keseluruhan
gambar.[15].
Gambar 3. Matriks Filter pada CNN
Dalam bidang kecerdasan buatan, salah satu algoritma
terbaik yang dapat digunakan untuk melakukan klasifikasi
citra adalah Convolutional Neural Network (CNN).[20].
Pada dasarnya, CNN merupakan pengembangan dari
Artificial Neural Network (ANN). Teknik-teknik berbasis
neural network sangat sering digunakan untuk memecahkan
masalah-masalah dengan pendekatan kecerdasan
buatankarena performanya yang sangat memuaskan.[16].
Jaringan konvolusional hanyalah jaringan saraf yang
menggunakan konvolusi sebagai ganti dari penerapan
matriks umum di setidaknya satu dari lapisannya. Konvolusi
merupakan salah satu operasi matematis yang digunakan
pada pengolahan gambar. Operasi ini menerapkan fungsi
keluaran (output) sebagai feature maps dari masukan (input)
gambar. Input dan output ini dapat dilihat sebagai dua
argumen yang mempunyai nilai riil. Secara khusus, operasi
konvolusi dapat ditulis dengan rumus berikut:
Konvolusi didefinisikan untuk setiap fungsi intergral yang
didefinisikan diatas, dan dapat digunakan untuk tujuan lain
selain mengambil rata-rata tertimbang. Fungsi s(t)
memberikan output tunggal yaitu feature maps, argumen
pertama yaitu input yang merupakan x dan argumen kedua w
sebagai kernel atau filter. Jika dilihat inpur sebagai gambar
dua dimensi, maka dari itu, operasi untuk konvolusi kedalam
input lebih dari satu dimensi dapat ditulis sebagai berikut:
B. Support Vector Machine
Support Vector Machine (SVM) pertama kali dikenalkan
olehVapnik pada tahun 1992 sebagai salah satu metode
machine learning yang bekerja dengan prinsip Structural
Risk Minimization/SRMyang bertujuan untuk menemukan
hyperplane terbaik yang memisahkan dua buah class pada
input space. Metode ini menggunakan hipotesis berupa
fungsi linier dalam sebuah ruang fitur yang berdimensi tinggi,
dengan mengimplementasikan learning bisa yang berasal
dari teori pembelajaran statistik.
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].
III. HASIL DAN PEMBAHASAN
Dalam penelitian ini dilakukan langkah-langkah sebagai
berikut untuk mengolah data citra CT Scan tumor otak.
A. Metode Convolutional Neural Network
Pada tahap ini semua gambar citra X-Ray Pneumonia
diolah dan dilatih menggunakan metode convolutional neural
network dan menghasilkan nilai akurasi seperti pada digram
berikut:
Gambar 4. Diagram Hasil Trainig dan Validasi
Nilai akurasi metode convolutional neural network pada
klasifikasi pneumonia dapat dilihat pada tabel berikut.
Epoch Accuracy Loss
1 0.7900 0.6342
2 0.7800 0.5651
3 0.6600 0.6293
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.

19 0.7500 0.4852 [3] World Health Organization, "Reducing Child Deaths

20 0.7100 0.6025 From Pneumonia", 2011. [Online]. Available :
https://www.who.int/news/item/06-01-2011-reducing-
B. Support Vector Machine
child-deaths-from-pneumonia.
Pada tahap ini semua gambar citra X-Ray Pneumonia
diolah dan dilatih dengan metode support vector machine. [4] Putri. Wirda, "Sistem Pakar Mendiagnosa Penyakit
Persentasi nilai akurasi dapat dilihat sebagai berikut.
Pneumonia Menggunakan Metode Constraint
Satisfaction Problem", Bulletin of Data Science, Vol.1,
2021.

[5] Antony. Felix, "KNN Dan Gabor Filter Serta Wiener

Untuk hasil akhir klasifikasi dengan metode ini Filter untuk Mendiagnosis Penyakit Pneumonia Citra
menghasilkan nilai akurasi sebagai berikut. X-Ray Pada Paru-Paru", Jurnal Algoritme, Vol.1,
p.127, 2021.

[6] T. Sarah, "Scanning Electron Microscopy-Energy

Dispersive X-Ray", Technical Note Anthropology,
2017

[7] Wati. Risha, "Klasifikasi Pneumonia Menggunakan

Metode Support Vector Machine", Jurnal Algoritme,
Vol.1, p. 21, 2020.

[8] Mariana. Dina, "Klasifikasi Pneumonia pada Chest X-

Ray Paru-Paru dengan Ekstraksi Fitur Local Binary
Pattern Menggunakan Support Vector Machine",
Jurnal Ilmiah Betrik.

[9] Ichwan. Muhammad, "Klasifikasi Support Vector

Machine untuk Menentukan Tingkat Kemanisan
Mangga Berdasarkan Fitur Warna", Mind Jurnal,
Pada gambar diatas dapat diketahui nilai akurasi pada V0l.3, 2018
prediksi normal sebesar 95.54117228126819% dan pada
prediksi opacity sebesar 4.458827718731809%. [10] Pangestu. Muftah, "Analisis Performa dan
Pengembangan Sistem Deteksi Ras Anjing pada
IV. KESIMPULAN Gambar dengan Menggunakan Pre-Trained CNN
Berdasarkan hasil penelitian dan pembahasan, dapat Model", Jurnal Teknik Informatika dan Sistem
disimpulkan beberapa hal berikut ini . Informasi, Vol.4, 2018.
1. Nilai akurasi perbandingan hasil klasifikasi pneumonia
dengan kedua metode adalah 71% untuk metode [11] K. Simonyan dan A. Zisserman, Very Deep
 Convolutional Networks for Large-Scale Image
Recognition, ICLR, San Diego, 2015.

[12] G. Developer, Google Developer Blog, 21 September

2017. [Online]. Available:
https://developers.googleblog.com/2017/09/howmachi
ne-learning-with-tensorflow.html.

[13] A. Krizhevsky, I. Sutskever dan G. E. Hinton,

ImageNet Classification with Deep Convolutional
Neural Networks, Neural Information Processing
System 2012, Stateline, 2012.

[14] W. Rawat dan Z. Wang, “Deep Convolutional Neural

Networks for Image Classification : A Comprehensive
Review,” Neural Comput. 29, p.. 2352–2449, 2017,

[15] C. Liu et al., “TX-CNN: Detecting Tuberculosis in

Chest X-ray Images using Convolutional Neural
Network,” Proceedings -International Conference on
Image Processing, ICIP, p.. 2314–2318, 2017.

[16] Maulidah. Nurlaelatul, "Prediksi Penyakit Diabetes

Melitus Menggunakan Metode Support Vector
Machine dan Native Bayes", Indonesian Journal on
Software Engineering, Vol.7, 2020.