PENGARUH RASIO PEMBAGIAN DATASET PADA KINERJA CNN KLASIFIKASI TUBERKULOSIS
DOI:
https://doi.org/10.32897/sobat.2025.7.1.5259Keywords:
Tuberkulosis, Convolutional Neural Network, Pembagian Dataset, X-ray Dada, Klasifikasi Citra MedisAbstract
Tuberkulosis masih menjadi tantangan kesehatan global dengan angka kematian yang tinggi. Citra X-ray dada umum digunakan dalam diagnosis, tetapi interpretasinya sering subjektif. Convolutional Neural Network (CNN) dapat menjadi salah satu solusi untuk deteksi tuberkulosis secara otomatis. Namun, kinerja CNN sangat dipengaruhi oleh kualitas data, salah satunya pembagian datast. Oleh karena itu penelitian ini bertujuan untuk menganalisis pengaruh rasio pembagian dataset terhadap kinerja model Convolutional Neural Network (CNN) dalam klasifikasi citra X-ray dada untuk deteksi tuberkulosis. Dataset yang digunakan terdiri atas 2.198 citra dari berbagai sumber publik dengan dua kelas, yaitu Normal dan Tuberculosis. Dua skenario pembagian dataset diterapkan, yakni 80:10:10 dan 70:10:20, untuk mengevaluasi pengaruh proporsi data terhadap performa model. Model CNN dirancang dengan tiga lapisan konvolusi dan dilatih menggunakan optimizer Adam serta fungsi loss binary cross-entropy. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa model dengan rasio 80:10:10 memiliki kinerja terbaik dengan akurasi pengujian sebesar 85,97% dan loss 0,3217, menunjukkan kemampuan generalisasi yang lebih baik dibandingkan model 70:10:20. Temuan ini menegaskan bahwa pemilihan rasio dataset yang tepat dapat meningkatkan stabilitas dan akurasi CNN dalam mengklasifikasikan citra medis. Dari hasil penelitian ini diharapkan dapat mendukung upaya peningkatan kualitas deteksi dini tuberkulosis guna mempercepat diagnosis dan berkontribusi terhadap penurunan angka kematian akibat Tuberkulosis di masyarakat.
References
World Health Organization. Global Tuberculosis Report 2024 [Internet]. 2024 [cited 2025 Jan 15]. Available from: https://www.who.int/teams/global-tuberculosis-programme/tb-reports/global-tuberculosis-report-2024
Nyarko RO, Prakash A, Kumar N, Saha P, Kumar R. Tuberculosis a Globalized Disease: Review. Asian Journal of Pharmaceutical Research and Development. 2021;9 (1):198–201.
Moifo B, Pefura-Yone EW, Nguefack-Tsague G, Gharingam ML, Tapouh JRM, Kengne AP, et al. Inter-Observer Variability in the Detection and Interpretation of Chest X-Ray Anomalies in Adults in an Endemic Tuberculosis Area. Open Journal of Medical Imaging. 2015;5 (3):143–9.
Saxena A. An Introduction to Convolutional Neural Networks. Int J Res Appl Sci Eng Technol. 2022;10 (12):943–7.
Alzubaidi L, Zhang J, Humaidi AJ, Al-Dujaili A, Duan Y, Al-Shamma O, et al. Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions. J Big Data. 2021;8 (1).
Andika LA, Pratiwi H, Sulistijowati Handajani S. Convolutional Neural Network Modeling for Classification of Pulmonary Tuberculosis Disease. In: Journal of Physics: Conference Series. Institute of Physics Publishing; 2020.
Puttagunta MK, Ravi S. Detection of Tuberculosis Based on Deep Learning Based Methods. In: Journal of Physics: Conference Series. IOP Publishing Ltd; 2021.
Guo R, Passi K, Jain CK. Tuberculosis Diagnostics and Localization in Chest X-Rays via Deep Learning Models. Front Artif Intell. 2020;3.
Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Peter Campbell J. Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl Vis Sci Technol. 2020;9 (2).
Wu J. Introduction to Convolutional Neural Networks [Internet]. 2017 [cited 2025 Oct 17]. Available from: https://cs.nju.edu.cn/wujx/paper/CNN.pdf
Yamashita R, Nishio M, Do RKG, Togashi K. Convolutional Neural Networks: An Overview and Application in Radiology. Vol. 9, Insights Into Imaging. Springer Verlag; 2018. p. 611–29.
Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research. 2014;15 (1):1929–58.
