KLASIFIKASI CITRA X-RAY TORAKS DENGAN MENGGUNAKAN CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DAN CONVOLUTIONAL NEURAL NETWORK (STUDI KASUS: PNEUMONIA)

Surya Adi Widiarto, Wahyu Andi Saputra, Atika Ratna Dewi

Abstract


Pneumonia merupakan penyakit yang menyerang paru-paru. Ketika seseorang dicurigai sebagai penderita pneumonia maka akan dilakukan berbagai pemeriksaan untuk memastikan hasil diagnosis, salah satunya yaitu pemeriksaan pada citra x-ray toraks. Namun, terdapat kemungkinan dokter/radiologis melakukan kesalahan dalam melakukan interpretasi. Untuk meminimalisir hal tersebut diperlukan terbososan guna membantu dokter/radiologis dalam menganalisis citra x-ray toraks. Salah satunya adalah dengan menerapkan penggunaan Convolutional Neural Network (CNN), dimana harapannya CNN dapat digunakan untuk mengenali citra x-ray toraks sehat dan berpneumonia. Akan tetapi terdapat faktor yang dapat menyebabkan citra x-ray menjadi buruk, sehingga dimungkinkan dapat mempengaruhi hasil perolehan CNN. Untuk mengatasi hal tersebut Contrast Limited Adaptive Histogram Equalization (CLAHE) digunakan untuk melakukan perbaikan citra sebelum citra diterapkan pada CNN. Selain itu penggunaan beberapa epoch dan ukuran gambar yang berbeda juga diterapkan untuk mengetahui pengaruh pada hasil yang diperoleh model, dimana kemudian hasil-hasil yang diperoleh tersebut dilakukan analisis untuk mengetahui model mana yang memperoleh hasil terbaik. Setelah dilakukan pengujian, diperoleh hasil perolehan terbaik pada model dengan penerapan CLAHE pada epoch 180 dengan ukuran 256x256 yang memperoleh tingkat akurasi sebesar 95,21%.


Keywords


CLAHE; CNN; Pneumonia

Full Text:

PDF

References


“Pneumonia,” World Health Organization, 2019. https://www.who.int/news-room/fact-sheets/detail/pneumonia (accessed May 20, 2020).

S. Naveed et al., “Awareness about Pneumonia Research,” J. Biotechnol. Biosaf., vol. 3, no. 3, pp. 260–264, 2015.

J. Müller, “Number of pneumonia cases in Indonesia from 2012 to 2018,” Statista, 2020. https://www.statista.com/statistics/705161/number-of-pneumonia-cases-in-indonesia/ (accessed May 20, 2020).

“Deaths from pneumonia, by age, Indonesia, 1990 to 2017,” Our World in Data. https://ourworldindata.org/grapher/pneumonia-and-lower-respiratory-diseases-deaths?country=~IDN (accessed Jan. 13, 2021).

A. D. Susanto, “Pers Release Perhimpunan Dokter Paru Indonesia dalam rangka WORLD PNEUMONIA DAY 2018,” PERHIMPUNAN DOKTER PARU INDONESIA, 2018. https://www.klikpdpi.com/index.php?mod=article&sel=8704 (accessed Jun. 15, 2020).

S. Waite, J. Scott, B. Gale, T. Fuchs, S. Kolla, and D. Reede, “Interpretive error in radiology,” Am. J. Roentgenol., vol. 208, no. 4, pp. 739–749, 2017, doi: 10.2214/AJR.16.16963.

I. W. S. E. P, A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, pp. A65–A69, 2016, doi: 10.12962/j23373539.v5i1.15696.

R. Rokhana et al., “Convolutional Neural Network untuk Pendeteksian Patah Tulang Femur pada Citra Ultrasonik B–Mode,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 8, no. 1, pp. 59–67, 2019, doi: 10.22146/jnteti.v8i1.491.

Felix, S. Faisal, T. F. M. Butarbutar, and P. Sirait, “Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun,” vol. 20, no. 2, pp. 117–134, 2019.

A. Ramdan, V. Zilvan, E. Suryawati, H. F. Pardede, and V. P. Rahadi, “Klasifikasi klon teh berbasis deep CNN dengan residual dan densely connections,” J. Teknol. dan Sist. Komput., vol. 8, no. 4, pp. 289–296, 2020, doi: 10.14710/jtsiskom.2020.13768.

O. Stephen, M. Sain, U. J. Maduh, and D. U. Jeong, “An Efficient Deep Learning Approach to Pneumonia Classification in Healthcare,” J. Healthc. Eng., vol. 2019, 2019, doi: 10.1155/2019/4180949.

M. N. Aziz, T. W. Purboyo, and A. L. Prasasti, “A Survey on the Implementation of Image Enhancement,” Int. J. Appl. Eng. Res., vol. 12, no. 21, pp. 11451–11459, 2017.

P. Musa, F. Al Raf, and M. Lamsani, “A review: Contrast-limited adaptive histogram equalization (CLAHE) methods to help the application of face recognition,” Proc. 3rd Int. Conf. Informatics Comput. ICIC 2018, no. November 2020, pp. 1–6, 2018, doi: 10.1109/IAC.2018.8780492.

R. K. Hapsari, M. I. Utoyo, R. Rulaningtyas, and H. Suprajitno, “Comparison of Histogram Based Image Enhancement Methods on Iris Images,” J. Phys. Conf. Ser., vol. 1569, no. 2, 2020, doi: 10.1088/1742-6596/1569/2/022002.

A. A. Riadi, A. A. Chamid, and A. Sokhibi, “Analisis Komparasi Metode Perbaikan Kontras Berbasis Histogram Equalization Pada Citra Medis,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 8, no. 1, pp. 383–388, 2017, doi: 10.24176/simet.v8i1.1026.

M. M. Sebatubun, “Peningkatan Kualitas Citra X-Ray Paru-Paru Menggunakan Contrast Limited Adaptive Histogram Equalization dan Gaussian Filter,” Semin. Ris. Teknol. Inf., pp. 241–247, 2016.

Nurhidayah, B. Abdul Samad, and B. Abdullah, “Perbandingan Metode Contrast Enhancement pada Citra CT-Scan Kanker Paru-paru,” Gravitasi, vol. 19, no. 2, pp. 24–28, 2020, doi: 10.22487/gravitasi.v19i2.15360.

D. S. Kermany et al., “Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning,” Cell, vol. 172, no. 5, pp. 1122–1131, 2018, doi: 10.1016/j.cell.2018.02.010.

“Keras API reference,” Keras. https://keras.io/api/ (accessed Jun. 20, 2021).

M. M. Jadoon, Q. Zhang, I. U. Haq, S. Butt, and A. Jadoon, “Three-Class Mammogram Classification Based on Descriptive CNN Features,” Biomed Res. Int., vol. 2017, 2017, doi: 10.1155/2017/3640901.




DOI: https://doi.org/10.29100/jipi.v6i2.2102

DOI (PDF): https://doi.org/10.29100/jipi.v6i2.2102.g1036

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
STKIP PGRI Tulungagung

Website : https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email : jipi@stkippgritulungagung.ac.id


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.