IMPLEMENTASI IMAGE AUGMENTATION UNTUK KLASIFIKASI RADANG PARU-PARU DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

Pada tahun 2019, pneumonia membunuh 740.180 anak di bawah usia lima tahun. Hal tersebut membangun minat para peneliti deep learning untuk membangun model CNN dalam mendiagnosa penyakit pneumonia. Sebagai salah satu model deep learning, CNN juga memiliki masalah overfitting. Untuk mencegah overfitting pada model berbasis CNN yaitu efficientnetv2 maka diimplementasikan image augmentation. Model dilatih untuk mendiagnosa pneumonia melalui klasifikasi gambar x-ray. Model efficientnetv2 akan dilatih melalui 3 skenario. Kemudian model efficientnetv2 akan dilatih dengan image augmentation dan tanpa menggunakan image augmentation. Akhirnya dilakukan perbandingan terhadap evaluasi performa model berdasarkan beberapa metric yaitu accuracy, precision, recall dan f1-score. Dari hasil pengujian ketiga skenario diperoleh skenario 1 memiliki nilai metric yang paling baik, oleh karenanya pengujian dilakukan dengan rasio pembagian skenario 1. Hasil pengujian adalah implementasi image augmentation berhasil mencegah overfitting terjadi lebih awal. Dengan menggunakan image augmentation pelatihan dihentikan pada epoch 77, sedangkan tanpa image augmentation pelatihan dihentikan pada epoch 58. Pengujian dengan image augmentation menghasilkan accuracy sebesar 91.46%, precision sebesar 90.85%, recall sebesar 96.41% dan f1-score sebesar 93.55%, sedangkan pengujian tanpa image augmentation menghasilkan accuracy sebesar 90.26%, precision sebesar 89.19%, recall sebesar 96.54% dan f1-score sebesar 92.72%.