Jurnal Infortech Volume 7 No.
2 Desember 2025
E-ISSN: 2715-8160
Inovasi Artificial Intelligence dalam Mengidentifikasi Pneumonia Anak untuk Meningkatkan Efisiensi Diagnostik Menggunakan Model CNN Kresna Ramanda1.
Monikka Nur Winnarto2.
Sucitra Sahara3
1,2,3
Universitas Bina Sarana Informatika e-mail: kresna.
kra@bsi.
id, 2monikka.
mnt@bsi.
id, 3sucitra.
scr@bsi.
Diterima 30-09-2025 Direvisi 04-11-2025 Disetujui 22-12-2025 Abstrak - Pneumonia adalah salah satu jenis infeksi yang paling sering ditemui dan berisiko tinggi di seluruh dunia, yang mengakibatkan angka penyakit dan kematian yang tinggi, khususnya di kalangan populasi yang rentan seperti anak-anak.
Dengan demikian, penelitian ini bertujuan untuk menciptakan sistem pintar yang mampu mengidentifikasi pneumonia secara otomatis melalui gambar thorax dengan memanfaatkan arsitektur Convolutional Neural Networks (CNN).
Dalam penelitian ini, beberapa arsitektur CNN, yaitu MobileNet V2.
ResNet, dan EfficientNet diuji untuk mencari model terbaik, dengan mempertimbangkan risiko overfitting dan penggunaan optimizer yang tepat.
Metode yang digunakan mencakup pengumpulan data, preprocessing, pembagian dataset menjadi data train, test dan validasi, serta penerapan teknik transfer learning.
Evaluasi dilakukan berdasarkan parameter kinerja seperti akurasi, sensitivitas dan presisi untuk menilai performa model.
Hasil penelitian menunjukkan bahwa arsitektur MobileNet V2 memberikan kinerja terbaik dengan akurasi mencapai 93%.
Model ini kemudian diimplementasikan dalam sistem cerdas yang dapat mempercepat dan mempermudah proses diagnosis pneumonia sehingga memberikan manfaat signifikan bagi sektor kesehatan dan masyarakat luas.
Penelitian ini juga menekankan pentingnya teknik optimasi yang tepat dalam memastikan model dapat bekerja secara optimal di aplikasi dunia nyata.
Kata Kunci: Pneumonia.
Arsitekture CNN.
MobileNet V2 Abstract Pneumonia is one of the most frequently encountered and high-risk infections worldwide, leading to high rates of illness and death, particularly among vulnerable populations such as children.
Therefore, this study aims to create an intelligent system capable of automatically identifying pneumonia through thoracic images by utilizing the Convolutional Neural Networks (CNN) architecture.
In this study, several CNN architectures, namely MobileNet V2.
ResNet, and EfficientNet, were tested to find the best model, considering the risk of overfitting and the use of appropriate optimizers.
The methods used include data collection, preprocessing, dividing the dataset into training, testing, and validation sets, as well as applying transfer learning techniques.
Evaluation was based on performance parameters such as accuracy, sensitivity, and precision to assess the model's effectiveness.
The results showed that the MobileNet V2 architecture provided the best performance with an accuracy of 93%.
This model was then implemented in an intelligent system that can accelerate and simplify the pneumonia diagnosis process, providing significant benefits to the healthcare sector and society at large.
This research also emphasizes the importance of applying the right optimization techniques to ensure that the model performs optimally in real-world applications.
Keywords: Pneumonia.
CNN Architecture.
MobileNet V2
PENDAHULUAN
Pneumonia, juga dikenal sebagai paru-paru basah, adalah infeksi yang menyebabkan peradangan kantong udara di satu atau kedua paru-paru (Franquet, 2.
Di Indonesia tingkat infeksi penyakit Pneumonia mencapai 2% dari populasi penduduk (Riset Kesehatan Dasar (Riskesda.
, 2.
, bahkan pneumonia adalah salah satu penyebab kematian pada anak -anak di seluruh dunia (Nugroho & Puspaningrum, 2.
Badan Kesehatan http://ejournal.
id/ejurnal/index.
php/infortech Dunia memperkirakan bahwa penyakit ini menyebabkan 15% kematian pada anak -anak di bawah usia 5 tahun (Nugroho & Puspaningrum.
Pneumonia merupakan salah satu penyakit yang paling umum dan berbahaya di dunia.
Menurut data dari Organisasi Kesehatan Dunia (WHO), pneumonia merupakan penyebab kematian kedua terbesar di dunia, dengan lebih dari 1,4 juta (World Health Organization, 2.
Di Indonesia.
Pneumonia adalah salah satu penyakit yang paling sering terjadi Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
dan sangat berisiko.
Berdasarkan informasi dari Kementerian Kesehatan Republik Indonesia, pneumonia menduduki posisi kedua sebagai penyebab kematian tertinggi di Indonesia, dengan jumlah kematian yang melebihi 100.
000 setiap (Kemenkes.
Hal menggambarkan betapa pentingnya penelitian terkait Pneumonia.
Penelitian yang terkait dengan klasifikasi pneumonia dengan cepat dikembangkan dengan kemajuan teknologi di bidang pembelajaran mesin dan pemrosesan citra medis (Ramos-Rincyn et al.
, 2.
Salah satu teknik yang sering diterapkan adalah Convolutional Neural Network (CNN), yang telah terbukti ampuh dalam mengevaluasi gambar radiografi dada guna mengidentifikasi pneumonia (Andika et al.
, 2.
Sebuah studi tentang klasifikasi peradangan pneumonia menggunakan model Convolutional Neural Network (CNN) dilakukan oleh beberapa peneliti sebelumnya.
Salah mengklasifikasikan pneumonia berdasarkan gambar radiografi menggunakan model CNN.
Hasil penelitian menunjukkan bahwa model CNN CheXNet dapat mengklasifikasikan penyakit pneumonia dengan akurasi yang tinggi, yaitu sebesar 97,8% (Rajpurkar et al.
, 2.
Sebuah penelitian mengembangkan model klasifikasi pneumonia menggunakan kombinasi CNN dan Extreme Gradient Boosting (XGBoos.
Dengan menggunakan kumpulan data yang berisi 5.
gambar radiografi dada, model CNN memperoleh tingkat akurasi sebesar 88,73%, sedangkan model XGBoost meraih akurasi sebesar 91,12%.
Hasil ini menunjukkan potensi signifikan dalam diagnosis otomatis pneumonia melalui analisis citra radiografi (Putra et al.
, 2.
Selain itu penelitian menggunakan arsitektur ResNet50, sebuah varian dari CNN, untuk mengklasifikasikan jenis pneumonia, termasuk pneumonia viral dan COVID19, dari citra chest X-ray.
Meskipun data pelatihan mencapai akurasi 99%, data validasi menunjukkan akurasi 81%, mengindikasikan kemungkinan overfitting dan perlunya penyesuaian lebih lanjut pada model (Office et al.
, 2.
Penelitian lain mengevaluasi kinerja diagnostik model deep menggunakan citra X-ray dada.
Hasil analisis menunjukkan sensitivitas sebesar 98% dan spesifisitas 94%, mengindikasikan bahwa model deep learning memiliki akurasi tinggi dalam membedakan pasien pneumonia dari individu sehat (Li et al.
, 2.
Penelitian lain mengeksplorasi deteksi pneumonia otomatis pada citra X-ray dada menggunakan berbagai arsitektur transfer learning dan algoritma optimasi.
Studi ini menyoroti pentingnya pemilihan arsitektur dan algoritma yang tepat untuk meningkatkan kinerja model dalam klasifikasi pneumonia (Manickam et al.
, 2.
Secara keseluruhan, penelitian sebelumnya telah http://ejournal.
id/ejurnal/index.
php/infortech khususnya penggunaan CNN dan turunannya, efektif dalam mengklasifikasikan pneumonia berdasarkan gambar radiologis dada.
Namun, tantangan seperti kualitas data, pemilihan arsitektur yang optimal, dan risiko overfitting tetap menjadi perhatian utama dalam mengembangkan model yang andal.
METODE PENELITIAN
Langkah Penelitian Metode yang dipakai dalam penelitian ini mencakup pengkajian literatur, pengumpulan data, persiapan data, pemisahan data, desain model klasifikasi, hasil dari klasifikasi, penilaian model klasifikasi, serta Berikut adalah tahapan dalam penelitian Gambar 1.
Tahapan Penelitian Sumber : Hasil Penelitian .
Studi literatur dengan melakukan studi terhadap beberapa literatur terkait dengan klasifikasi penyakit pneumonia dalam beberapa tahun terakhir dan metode-metode yang cocok digunakan pada kasus Pengumpulan dataset yang terdiri dari citra XTray Pneumonia dilakukan dengan memanfaatkan data sekunder yang diambil dari platform Kaggle.
Terdapat tiga kategori dalam dataset ini, yakni bacterial, virus, dan normal, dengan total sekitar 000 gambar X-Tray Pneumonia.
Pada tahap Prepocessing akan dilakukan resize citra menjadi ukuran 128x128 piksel sebagai hasilnya, semua gambar memiliki dimensi yang seragam dengan penggunaan warna RGB.
Dataset selanjutnya dipecah menjadi tiga segmen, terdiri dari data pelatihan yang berfungsi untuk melatih model klasifikasi, data validasi yang berperan dalam mengonfirmasi kebenaran model klasifikasi agar terhindar dari overfitting, dan data pengujian yang digunakan untuk menilai akurasi model klasifikasi.
Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
Setelah tahap persiapan data selesai, langkah berikutnya adalah melakukan klasifikasi gambar dengan memanfaatkan berbagai arsitektur CNN melalui penggunaan teknik transfer learning.
Menilai apakah performa suatu model klasifikasi baik atau buruk bisa dilakukan dengan melihat parameter pengukuran efeknya, yaitu tingkat ketepatan, kepekaan, dan ketelitian yang akan diterapkan pada fase evaluasi.
Hasil penelitian diimplementasikan dalam bentuk program website.
Studi ini berfokus pada penggolongan jenis penyakit arsitektur CNN yang akan menciptakan sebuat kecerdasan buatan berupa Aplikasi/Sistem berbasis website yang akan memudahkan masyarakat secara mandiri untuk mengetahui apakah seseorang itu menderita pneumonia atau tidak berdasarkan hasil xtray dan mengetahui penyebab pneumonia itu sendiri apakah dari bakteri atau dari virus.
Indikator capaian yang dirancang pada Sistem Cerdas Berbasis Website untuk Klasifikasi Penyakit Pneumonia yang akan dikembakan pada penelitian ini terciptanya fitur deteksi dan klasifikasi penyakit khususnya Convolutional Neural Network.
Sumber Data Pengumpulan dataset berupa gambar X-Ray Pneumonia dilakukan dengan memanfaatkan data sekunder yang didapat dari situs Kaggle.
Terdapat 3 kategori, yaitu bakteri, virus, dan normal, dengan total kira-kira 3.
000 gambar X-Ray Pneumonia.
Pada fase Persiapan, gambar akan diubah ukurannya menjadi 128x128 piksel agar semua gambar memiliki dimensi yang seragam dalam format RGB.
Dataset berikutnya akan dibagi menjadi tiga segmen, yaitu data latihan yang digunakan untuk melatih model klasifikasi, data validasi yang berfungsi untuk mengecek model klasifikasi supaya tidak terjadi overfitting, dan data uji yang digunakan untuk mengukur akurasi model klasifikasi.
Setelah menuntaskan tahap persiapan data, langkah berikutnya adalah melakukan pengklasifikasian gambar dengan memanfaatkan beberapa arsitektur CNN seperti MobileNet V2.
VGG, dan Resnet melalui teknik transfer learning.
Untuk menentukan apakah kinerja suatu model klasifikasi baik atau tidak, dapat dilakukan pengukuran melalui parameter performa, yaitu akurasi, sensitivitas, dan presisi yang akan dievaluasi pada tahap evaluasi.
Hasil dari penelitian ini akan diaplikasikan dalam bentuk program web.
HASIL DAN PEMBAHASAN
Pengumpulan Data Pengumpulan dataset berupa citra X-Tray Penemonia menggunakan data sekunder yang diperoleh dari situs Kaggle dengan 3 kelas yaitu bacterial, virus dan normal dengan jumlah data http://ejournal.
id/ejurnal/index.
php/infortech sebanyak 3050 cittra x-tray Penemonia dengan https://w.
com/datasets/rajumavinmar/pne monia-classification-bacterialviralnormal.
Tabel 1.
Data Citra pada Setiap Kelas Nama Kelas Bacterial Pneumonia Normal Viral Pneumonia Sumber : Hasil Penelitian .
Jumlah Berikut sample dataset citra Pneumonia Gambar 2.
Sample Jenis Pneumonia Sumber : Hasil Penelitian .
Data Prepocessing Tahap persiapan atau pemrosesan data dalam studi ini ialah mengubah semua dimensi gambar menjadi ukuran 128x128 piksel.
Kumpulan informasi berikut dikelompokkan menjadi tiga segmen untuk dimanfaatkan dalam model pengklasifikasian dengan rincian pembagian data sebagai berikut: 80% dialokasikan untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian.
Spesifikasi pemisahan data adalah sebagaimana Tabel 2.
Pemisahan Data Jenis Data Presentase Jumlah Train Validasi Test Jumlah Sumber : Hasil Penelitian .
Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
Klasifikasi Setelah tahap persiapan data, langkah berikutnya adalah melakukan klasifikasi gambar dengan memanfaatkan berbagai arsitektur CNN dan hasil terbaik adalah menggunakan arsitekture MobileNetV2 dengan teknik transfer learning.
Pada tahap ini terdapat dua prosedur, yang pertama adalah pengambilan fitur dan yang kedua adalah pengelompokan gambar.
Dalam tahap pengambilan fitur, digunakan MobileNetV2 yang sudah dilatih sebelumnya oleh ImageNet sebagai alat untuk mengekstrak fitur.
Selanjutnya, untuk tahapan pengelompokan memanfaatkan lapisan konvolusi 1x1.
Global Average Polling serta lapisan Dense yang diaktifkan dengan Softmax.
Parameter dalam lapisan yang sepenuhnya terhubung menghambat kecepatan pelatihan jaringan selama proses belajar dan membuatnya lebih mudah mengalami overfitting.
Sebagai langkah selanjutnya, diterapkan Pengundian Rata-Rata Global untuk menciptakan satu peta fitur dalam setiap kategori klasifikasi yang akan segera diintegrasikan ke lapisan softmax.
Fungsi aktivasi Softmax digunakan untuk mengklasifikasikan tiga jenis penyakit Pneumonia, yang meliputi kelas Bakteri.
Normal, dan Virus.
Berikut adalah arsitektur MobileNetV2 yang diajukan.
Gambar 4.
Akurasi Train dan Validasi Sumber : Hasil Penelitian .
Gambar 5.
Akurasi Loss Sumber : Hasil Penelitian .
Grafik yang menunjukkan akurasi dan nilai kerugian pada data pelatihan dan data validasi memperlihatkan angka yang seimbang, yang menandakan bahwa model adalah fit yang baik dan tidak mengalami kelebihan atau kekurangan penyesuaian sehingga model dapat dimanfaatkan dengan optimal.
Selanjutnya, hasil klasifikasi bisa diperoleh dengan melakukan tes menggunakan data yang telah diuji.
Gambar 3.
Model MobileNetV2 yang diajukan Sumber : Hasil Penelitian .
Berdasarkan hasil percobaan dengan beberapa epoch, jumlah epoch yang dipilih adalah 20 karena menghasilkan nilai akurasi tertinggi.
Dari studi ini, hasil terbaik tercapai dengan menggunakan struktur MobileNetV2, yang membagi data menjadi 80% untuk fase pelatihan, 10% untuk tahap validasi, dan 10% untuk sesi pengujian.
Optimizer yang diterapkan adalah "adam" dengan ukuran batch 32 dan jumlah epoch sebanyak 20, yang dapat menghasilkan akurasi puncak hingga 93%.
Gambar 4 dan 5 ini memperlihatkan perbandingan antara akurasi dan nilai kerugian selama proses pelatihan dan validasi:
http://ejournal.
id/ejurnal/index.
php/infortech Gambar 6.
Hasil pengujian Sumber : Hasil Penelitian .
Evaluasi Prosedur penilaian lewat pemanfaatan Matriks Kebingungan dan Laporan Klasifikasi.
Beberapa nilai yang terdapat dalam matriks kebingungan adalah:
Positif Benar (TP).
Negatif Benar (TN).
Positif Salah (FP), dan Negatif Salah (FN).
Semua kemungkinan kejadian yang sesungguhnya positif (P) dan semua kemungkinan kejadian yang sesungguhnya negatif (N).
Laporan Klasifikasi mampu mengungkapkan akurasi, recall, dan presisi.
Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
Gambar 10.
Halaman hasil klasifikasi Sumber : Hasil Penelitian .
Gambar 7.
Confusion Matrix Sumber : Hasil Penelitian .
Gambar 8.
Classification Report Sumber : Hasil Penelitian .
Implementasi Pada tahap pelaksanaan, dibuat suatu situs web yang memanfaatkan framework Flask, yaitu kerangka kerja untuk Bahasa pemrograman Python.
Situs ini berfungsi untuk mengklasifikasikan berbagai jenis Proses pengklasifikasian tipe pneumonia dilakukan dengan teknik CNN yang menerapkan arsitektur MobileNetV2, sehingga menghasilkan model dalam format hdf5.
Model yang dihasilkan digunakan dalam proses pengklasifikasian jenis pneumonia pada situs web.
Gambar 9.
Halaman Index Sumber : Hasil Penelitian .
Dari hasil percobaan klasifikasi menggunkan 18 citra pneumonia baru menunjukkan bahwa 18 citra terdeteksi sesuai.
Hasil ini membuktikan bahwa metode secara keseluruhan mampu melakukan klasifikasi citra dengan baik.
KESIMPULAN
Dari hasil penelitian yang dilakukan diperoleh kesimpulan sebagai berikut :
Implementasi MobileNetV2 menggunakan teknik transfer learning.
Pada Proses MobileNetV2 yang telah dilatih sebelumnya oleh ImageNet sebagai fitur ekstraktor.
Pada proses klasifikasi menggunakan lapisan konvolusi 1x1 Global Average Polling dan lapisan Dense dengan aktivasi Softmax untuk klasifikasi jenis penyakit Pneumonia.
Klasifikasi menghasilkan nilai akurasi sebesar 92,62%, nilai precision 93% dan nilai recall 93%.
Nilai yang dihasilkan membuktikan bahwa arsitekur ini terbukti mampu digunakan untuk klasifikasi Pneumonia.
Hasil pengujian pada aplikasi berbasis web menggunakan data baru sebanyak 18 citra klasifikasi baik.
Model yang terbentuk diimplementasikan pada aplikasi berbasis web agar dapat membantu dan memudahkan dalam melakukan klasifikasi pneumonia.
Saran Aplikasi berbasis web yang telah dibangun berpeluang untuk dikembangkan lebih lanjut dengan menambahkan fitur antarmuka yang interaktif dan user-friendly agar lebih mudah digunakan oleh tenaga medis maupun pengguna umum, serta sistem dapat diperluas dengan integrasi teknologi berbasis mobile, sehingga hasil klasifikasi dapat diakses secara lebih praktis dan real-time.
REFERENSI