OPTIMASI HYPERPARAMETER DENGAN RANDOMSEARCHCV UNTUK MENINGKATKAN AKURASI KLASIFIKASI PNEUMONIA

Rahmat Reynaldi, Ilham Faisal, Kelvin Chiuloto

Sari


Convolutional Neural Network (CNN) merupakan salah satu metode deep learning yang telah banyak di aplikasipkan untuk klasifikasi data citra. Dalam konteks penggunaan CNN untuk klasifikasi penyakit pneumonia, pengaturan hyperparameter seperti jumlah lapisan layer, jumlah filter, dan ukuran filter sangat mempengaruhi performa model. Menentukan kombinasi yang tepat antara model dan hyperparameter seringkali menjadi tantangan. Memilih parameter yang optimal untuk model CNN secara manual dapat menjadi tugas yang sangat rumit dan memakan waktu. Oleh karena itu, penting untuk melakukan tuning hyperparameter secara efisien untuk mencari kombinasi parameter yang paling cocok sehingga dapat menghasilkan model CNN yang akurat. Proses tuning hyperparameter pada metode CNN dalam penelitian ini menggunakan RandomSearcCV. Hasil pengujian model CNN kustom setelah diuji menggunakan data testing memperoleh score accuracy 81%. Sedangkan pada model CNN dengan tuning hyperparameter mencapai score accuracy 90%. Hal ini membuktikan bahwa penerapan tuning hyperparameter pada model CNN dengan menggunakan RandomSearchCV dapat meningkatkan akurasi dari model CNN dalam proses klasifikasi penyakit pneumonia.


Teks Lengkap:

PDF

Referensi


Amelia, Y., Eosina, P., & Setiawan, F. A. (2018). Perbandingan Metode Deep Learning Dan Machine Learning Untuk Klasifikasi (Ujicoba Pada Data Penyakit Kanker Payudara). Jurnal Inovatif: Inovasi Teknologi Informasi Dan Informatika, 1(2), 109–114.

Anggraeni, D. S., Widayana, A., Rahayu, P. D., & Rozikin, C. (2022). Metode Algoritma Convolutional Neural Network pada Klasifikasi Penyakit Tanaman Cabai. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 7(1), 73–78.

Ayu, T., Dwi, V., & Minarno, A. E. (2021). Pendiagnosa daun mangga dengan model Convolutional Neural Network. Jurnal Computational and Applied Mathematics (CESS), 6(2).

Fajri, M., & Primajaya, A. (2023). Komparasi Teknik Hyperparameter Optimization pada SVM untuk Permasalahan Klasifikasi dengan Menggunakan Grid Search dan Random Search. Journal of Applied Informatics and Computing, 7(1), 10–15.

Fordana, M. D. Y., & Rochmawati, N. (2022). Optimisasi hyperparameter CNN menggunakan random search untuk deteksi COVID-19 dari citra x-ray dada. Journal of Informatics and Computer Science (JINACS), 4(01), 10–18.

Hariz, F. A., Yulita, I. N., & Suryana, I. (2022). Human Activity Recognition Berdasarkan Tangkapan Webcam Menggunakan Metode Convolutional Neural Network (CNN) Dengan Arsitektur MobileNet. JITSI: Jurnal Ilmiah Teknologi Sistem Informasi, 3(4), 103–115.

Hilmi, N., & Saputra, W. A. (2023). Implementasi HE, AHE, dan CLAHE Pada Metode Convolutional Neural Network untuk Identifikasi Citra X-Ray Paru-Paru Normal atau Terinfeksi Covid19. Edu Komputika Journal, 10(1), 1–9.

Irawan, F. A., Sudarma, M., & Khrisne, D. C. (2021). Rancang Bangun Aplikasi Identifikasi Penyakit Tanaman Pepaya California Berbasis Android Menggunakan Metode Cnn Model Arsitektur Squeezenet. Jurnal SPEKTRUM Vol, 8(2).

Maysanjaya, I. M. D., & Dendi, M. (2020). Klasifikasi Pneumonia pada Citra X-rays Paru-paru dengan Convolutional neural network. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 9(2), 190–195.

Pelealu, R. R. A. A., Wonggo, D., & Kembuan, O. (2020). Perancangan dan Implementasi Jaringan Komputer Smk Negeri 1 Tahuna. JOINTER: Journal of Informatics Engineering, 1(01), 5–11.

PRASETYO, R. R. E. K. A., & ICHWAN, M. (2021). Perbandingan metode Deep Residual Network 50 dan Deep Residual Network 152 untuk deteksi penyakit pneumonia pada manusia. MIND (Multimedia Artificial Intelligent Networking Database) Journal, 6(2), 168–182.

Putra, J. V. P., Ayu, F., & Julianto, B. (2023). Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN. Seminar Nasional Teknologi & Sains, 2(1), 155–162.

Putri, T. A. E., Widiharih, T., & Santoso, R. (2023). Penerapan Tuning Hyperparameter Randomsearchcv Pada Adaptive Boosting Untuk Prediksi Kelangsungan Hidup Pasien Gagal Jantung. Jurnal Gaussian, 11(3), 397–406.

Rusman, J., Haryati, B. Z., Michael, A., & others. (2023). Optimisasi Hiperparameter Tuning pada Metode Support Vector Machine untuk Klasifikasi Tingkat Kematangan Buah Kopi. J. Inform. Dan Komput, 11(2), 195–202.

Swasono, D. I., Wijaya, M. A. R., & Hidayat, M. A. (2023). Klasifikasi Penyakit pada Citra Buah Jeruk Menggunakan Convolutional Neural Networks (CNN) dengan Arsitektur Alexnet. INFORMAL: Informatics Journal, 8(1), 68–75.

Thaariq, M. A., Baskara, M. D. M., Chaniago, R. A., Christin, D., & Ernawati, I. (2024). Systematic Literature Review: Analisis Penerapan Kecerdasan Buatan Dalam Bidang Kesehatan. Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer Dan Aplikasinya, 5(1), 168–173.

Wati, R. A., Irsyad, H., & Al Rivan, M. E. (2020). Klasifikasi Pneumonia Menggunakan Metode Support Vector Machine. J. Algoritm, 1(1), 21–32.

Wibowo, D. A., & Ginanjar, G. (2020). Hubungan Faktor Determinan Penyakit Infeksi Saluran Pernapasan Akut (Ispa) Dengan Kejadian Inpeksi Saluran Pernafasan Akut (Ispa) Pneumonia Pada Balita Di Wilayah Kerja Puskesmas Cipaku Kabupaten Ciamis Tahun 2020. Jurnal Keperawatan Galuh, 2(2), 43.

Wijaya, A., & others. (2022). Implementasi Metode Rekayasa Sistem Jaringan Komputer untuk Pengembangan Jaringan Komputer. Implementasi Metode Rekayasa Sistem Jaringan Komputer Untuk Pengembangan Jaringan Komputer.

Winnarto, M. N. (2021). Penerapan Arsitektur Mobilenetv2 Pada Klasifikasi Penyakit Daun Teh.




DOI: https://doi.org/10.63854/jms.v1i2.38

Refbacks

  • Saat ini tidak ada refbacks.


JUDIS : Jurnal Multidisiplin dan Sains Terindex pada:

    
     
     

 

Diterbitkan oleh:

PT. Compart Digitech Solution

Alamat : Komplek Griya Nafisa 5, Deli Serdang - Sumut
Kontak : 0823 0642 2838
Email   : admin@compartdigital.com


JUDIS: Jurna Multidisiplin dan Sains by PT. Compart Digitech Solution is licensed under CC BY-SA 4.0