STUDI KOMPARASI ARSITEKTUR RESNET-34, RESNET-50 DAN RESNET-101 MENGGUNAKAN SMOTE PADA KLASIFIKASI CITRA MEDIS PARU-PARU BERBASIS CONVOLUTIONAL NEURAL NETWORK

Paru-paru merupakan organ tubuh yang berfungsi sebagai sistem pernapasan dan
sebagai tempat pertukaran oksigen dan karbon dioksida pada darah. Paru-paru
adalah organ tubuh yang rentan mengalami kerusakan. Penyakit Covid-19 dan
Pneumonia merupakan penyakit yang menyerang sistem pernapasan. Hingga saat
ini tercatat 639 juta kasus tersebar diseluruh dunia dan di Indonesia terdapat kurang
lebih 6.627.538 jiwa terkonfirmasi positif Covid-19. Kasus penyakit Pneumonia
tercatat 450 juta jiwa positif setiap tahun di seluruh dunia dan di Indonesia terdapat
sekitar 2 juta jiwa terkena penyakit Pneumonia. Kedua penyakit ini hampir mirip
sehingga sulit membedakan keduanya. Terdapat berbagai metode medis untuk
mendiagnosis penyakit Covid-19 dan Pneumonia, salah satunya dengan melihat
citra X-ray paru-paru. Pada proses ini membutuhkan sistem yang akurat. Pada
penelitian ini, metode Convolutional Neural Networks dengan arsitektur Residual
Networks diimplementasikan pada pemodelan untuk mengklasifikasikan data citra
X-ray dengan tiga kelas yaitu: Covid-19, Normal, dan Pneumonia. Penelitian ini
melakukan tahapan preprocessing dengan menggunakan resize dan SMOTE.
Terdapat dua dataset yang akan digunakan. Dataset pertama yaitu dataset yang tidak
seimbang dengan total sebanyak 6.083 citra. Dataset kedua yaitu dataset yang telah
melakukan SMOTE dengan total sebanyak 12.165 citra. Penelitian ini dilakukan
dengan melatih tiga model yaitu ResNet-34, ResNet-50 dan ResNet-101.
Pemodelan ini menggunakan optimizer Adam dan Adamax. Dari seluruh
percobaan, hasil terbaik didapatkan pada ResNet-34 optimizer Adamax dan
ResNet-101 optimizer Adam dengan akurasi 0.95. Metode ini dievaluasi dengan
menggunakan presisi, recall dan f1-score dengan hasil masing-masing 0.99, 0.98,
dan 0.98.
Kata Kunci : pneumonia, covid-19, citra x-ray, smote, resnet, adam, adamax