Perpustakaan Universitas Gunadarma BARCODE
BUKTI UNGGAH DOKUMEN PENELITIAN PERPUSTAKAAN UNIVERSITAS GUNADARMA
Nomor Pengunggahan
SURAT KETERANGAN
Nomor: 228/PERPUS/UG/2020
Surat ini menerangkan bahwa:
Nama Penulis : HAIKAL ARDIKATAMA
Nomor Penulis : 53418015
Email Penulis : haikalardikatama@student.gunadarma.ac.id Alamat Penulis : Perum Sukmajaya Permata Blok I. No.50
dengan penulis lainnya sebagai berikut:
Penulis ke-2/Nomor/Email : Guntur Eka Saputra / 140308 / guntur@staff.gunadarma.ac.id
Telah menyerahkan hasil penelitian/ penulisan untuk disimpan dan dimanfaatkan di Perpustakaan Universitas Gunadarma, dengan rincian sebagai berikut :
Nomor Induk : FTI/IA/PENELITIAN/228/2020
Judul Penelitian : IMPLEMENTATION ALEXNET CNN ARCHITECTURE FOR CHEST X-RAY IMAGES DATASET
Tanggal Penyerahan : 23 / 12 / 2020
Demikian surat ini dibuat untuk dipergunakan seperlunya dilingkungan Universitas Gunadarma dan Kopertis Wilayah III.
1
IMPLEMENTATION ALEXNET CNN ARCHITECTURE FOR CHEST
X-RAY IMAGES DATASET
Haikal Ardikatama1, Guntur Eka Saputra2
Teknik Informatika1,2
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Fakultas Teknologi Industri Universitas Gunadarma
Jl. Margonda Raya No. 100 Pondok Cina Depok
E-mail: haikalardikatama@student.gunadarma.ac.id1, guntur@staff.gunadarma.ac.id2
ABSTRAK
Pneumonia merupakan salah satu jenis penyakit yang menyerang paru-paru. Pneumonia dapat disebabkan oleh beberapa hal seperti bakteri, virus, jamur, ataupun parasit. Salah satu metode untuk mengetahui seseorang menderita penyakit Pneumonia adalah citra rontgen (X-rays). Penelitian ini dibahas mengenai klasifikasi gambar orang yang terkena pneumonia menggunakan bantuan salah satu algoritma Machine Learning yaitu Convolutional Neural
Network (CNN). Convolutional Neural Network (CNN) adalah salah satu jenis algoritma
pengolahan citra yang berguna untuk mendeteksi dan mengenali objek pada sebuah citra foto. Terdapat banyak variasi mengenai arsitektur Convolutional Neural Network (CNN) salah satunya adalah AlexNet. Tujuan dari penelitian ini adalah untuk mengimplementasikan salah satu arsitektur Convolutional Neural Network (CNN) yaitu AlexNet dalam mengklasifikasikan citra foto rontgen (X-rays) pasien yang menderita penyakit pneumonia. Data citra dalam penelitian ini didapatkan dari platform Kaggle sejumlah 5856 citra, terdiri dari 5232 data latih dan 624 data uji. Hasil dari penelitian ini berupa sebuah Model CNN dengan arsitektur AlexNet dengan ketepatan sebesar 93.75%. Hal ini menunjukan bahwa AlexNet cukup mampu melakukan klasifikasi kasus pneumonia.
Kata Kunci: Pembelajaran Mesin, Data, Klasifikasi, Prediksi, Convolutional Neural Network.
ABSTRACT
Pneumonia is a type of disease that attacks the lungs. Pneumonia can be caused by several things such as bacteria, viruses, fungi, or parasites. One method of finding out if someone has Pneumonia is X-rays. This study discusses the classification of images of people with pneumonia using the help of a Machine Learning algorithm, namely Convolutional Neural Network (CNN). Convolutional Neural Network (CNN) is a type of image processing algorithm that is useful for detecting and recognizing objects in a photo image. There are many variations regarding the Convolutional Neural Network (CNN) architecture, one of which is AlexNet. The purpose of this study was to implement one of the Convolutional Neural Network (CNN) architectures, namely AlexNet in classifying X-rays of patients suffering from pneumonia. Image data in this study were obtained from the Kaggle platform with a total of 5856 images, consisting of 5232 training data and 624 test data. The result of this research is a CNN Model with AlexNet architecture with an accuracy of 93.75%. This shows that AlexNet is quite capable of classifying pneumonia cases.
Keywords: Machine Learning, Data, Classification, Prediction, Convolutional Neural Network.
2
1. PENDAHULUAN
Citra medis memiliki peran penting untuk mengklasifikasikan atau mengidentifikasikan suatu penyakit. Salah satu teknik pengambilan citra medis adalah foto rontgen(X-rays). Teknik ini digunakan oleh ahli radiologi untuk dapat melihat kondisi organ dalam tubuh pasien, salah satu contohnya adalah foto rontgen paru-paru. Foto rontgen memiliki kelebihan yakni mudah digunakan dan memiliki nilai ekonomis yang tinggi.
Citra foto toraks merupakan pemanfaatan foto rontgen untuk melihat kondisi area dada pasien. Hasil foto toraks ini menampilkan kondisi dada, paru-paru, jantung dan trakea (Saluran Pernapasan). Ciri seseorang terkena infeksi yang disebabkan oleh virus, bakteri, fungi ataupun parasit yang lain adalah terdapat area berwarna putih kelabu pada hasil foto toraks. Area ini yang dapat dicurigai dokter untuk mengidentifikasi suatu penyakit yang mungkin diderita oleh pasien, misalnya pneumonia.
Pneumonia merupakan salah satu penyakit yang menyerang paru-paru. Penyakit ini tergolong kedalam penyakit infeksi saluran pernapasan akut (ISPA) bagian bawah. Pneumonia disebabkan adanya peradangan pada jaringan dan kantung udara di paru-paru. Kantung udara dipenuhi oleh cairan yang menyebabkan batuk berdahak, demam, menggigil, dan kesulitan bernapas.
Meskipun kondisi peradangan paru-paru dapat dilihat dengan mudah dengan foto rontgen. Namun, kualitas citra yang dihasilkan tidaklah selalu bagus, bahkan cenderung samar dan memiliki kemiripan yang sama antar jenis penyakit pulmonary, seperti pneumonia, tuberkulosis, kanker paru-paru, dan lainnya . Hal ini merupakan tantangan bagi dokter radiologi dalam menentukan jenis penyakit yang diderita oleh pasien pada area pulmonary.
Guna meminimalisir permasalahan yang dihadapi oleh dokter radiologi, saat ini telah dikembangkan sistem otomatisasi berdasarkan computer aided diagnostic (automated based
system). Kondisi ini memotivasi para peneliti untuk mengembangkan berbagai jenis algoritma machine learning, terlebih saat ini sudah memasuki tahap deep learning. Pada penelitian ini
dilakukan implementasi salah satu metode deep learning yaitu Convolutional Neural Network (CNN) untuk mengidentifikasi paru-paru normal dan paru-paru yang terpapar penyakit pneumonia.
Convolutional Neural Network (CNN) adalah salah satu jenis jaringan saraf (neural network). CNN secara spesifik ditujukan untuk klasifikasi citra. Karena CNN merupakan
sebuah jaringan syaraf buatan (neural network), CNN dikembangkan berdasarkan inspirasi dari jaringan otak manusia dalam mengenali suatu objek. Arsitektur CNN biasanya terdiri dari
convolutional layer, polling layer, dan fully connected layer. Dalam artikel ini arsitektur CNN
yang akan digunakan adalah AlexNet.
AlexNet adalah sebuah arsitektur CNN yang memenangkan kompetisi ImageNet Large Scale Visual Recognition Challenge (ILSVRC 2012 contest) pada tahun 2012. AlexNet dibangun oleh Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton. Arsitektur AlexNet terdiri dari 5 convolutional layer, 3 polling layer, dan 3 fully connected layer.
Arsitektur AlexNet dipilih dikarenakan memiliki keistimewaan yaitu menggunakan fungsi aktivasi Rectified Linear Units (ReLU). Keunggulan fungsi aktivasi ReLU berada di waktu pelatihan, CNN yang menggunakan fungsi aktivasi ini berhasil mencapai margin error 25% dalam dataset CIFAR-10 enam kali lebih cepat dibandingkan CNN yang menggunakan
3
fungsi aktivasi tanh. AlexNet juga memiliki overlapping pooling layer yang menyebabkan model AlexNet tidak mudah overfit.
Dalam penelitian ini dilakukan studi literatur dari penelitian tekait diantaranya, Zeth A. L & Berni P. pada tahun 2015 melakukan penelitian diagnose penyakit saluran pernapasan dengan menggunakan support vector machine (SVM) untuk mendiagnosa penyakit saluran pernapasan, salah satunya pneumonia dihasilkan tingkat keakuratan sebesar 80.95%. Pada tahun 2020 Risha. A. W et al melakukan penelitian klasifikasi pneumonia menggunakan metode support vector machine (SVM) dan gray level co-occurrence (GLCM) untuk metode ekstraksi dan diklasifikasikan dengan SVM yang dimana dihasilkan akurasi terbaik sebesar 62.66%. Berdasarkan hal tersebut penelitian ini dilakukan untuk mmenerapkan pengembangan algoritma dengan arsitektur alexnet CNN untuk mengetahui tingkat akurasi dari diagnose pasien pneumonia.
METODE PENELITIAN
Dalam melakukan penelitian dibutuhkan suatu metode penelitian yang digunakan untuk menjadi acuan tahap-tahap yang harus dilakukan. Metode penelitian yang dilakukan seperti berikut ini.
1. Studi Literatur
Pada tahapan ini dilakukan pencarian konsep dan informasi yang dibutuhkan mengenai arsitektur AlexNet. Pencarian ini dilakukan pada buku, jurnal, artikel, internet, dan sumber informasi lainnya. Kata kunci dalam pencarian ini adalah CNN, AlexNet, What is AlexNet, dan
Implementation AlexNet.
2. Pencarian Dataset
Pada tahapan ini dilakukan pencarian dataset gambar yang memungkinkan diolah menggunakan metode AlexNet. Dataset gambar yang digunakan dalam penelitian ini didapatkan dari platform kaggle yang berjudul “CHEST X-RAY IMAGES DATASET”. Dataset ini berisi citra foto rontgen (X-rays) pasien yang menderita penyakit pneumonia. Dataset ini berjumlah 5856 citra yang terdiri dari 5232 data latih dan 624 data uji.
3. Analisis Dataset
Pada tahapan ini dilakukan analisa untuk mengetahui karakteristik dari dataset yang akan digunakan. Analisa data gambar dilakukan dengan cara melihat beberapa gambar secara random dan melihat ekstensi file gambar. Hasil analisis ini akan menjadi acuan pengolahan data gambar sebelum dimasukan ke dalam model AlexNet.
4. Pemrosesan Awal Dataset
Pemrosesan awal dilakukan dengan cara augmentasi gambar. Augmentasi gambar adalah sebuah teknik memanipulasi sebuah data tanpa kehilangan inti dari data tersebut. Hal ini dilakukan karena jumlah dataset yang digunakan masih kurang mencukupi untuk mendapatkan performa yang optimal. Pada proses ini juga dilakukan pembagian dataset latih menjadi data latih dan data validasi.
5. Pembuatan Model
Pada tahapan ini dimulai pembuatan model CNN menggunakan arsitektur AlexNet. Secara garis besar pembangunan model dimulai dari pembuatan fungsi callback, pembuatan model menggunakan bantuan framework tensorflow, dan proses pelatihan model. Proses
4
pelatihan sebanyak 32 epochs. Akan tetapi proses pelatihan bisa jadi kurang dari 32 epochs jika mencapai akurasi model yang diinginkan.
6. Evaluasi Model
Proses evaluasi dilakukan dengan cara mengetest model dengan data latih. Dari tahapan ini dilakukan juga dilakukan analisis performa yang dihasilkan oleh model yang telah dibuat sebelumnya dalam mengklasifikasikan gambar pada data test. Jika performa model dirasa kurang memuaskan atau belum mencapai akurasi yang diinginkan, maka kembali ke tahap sebelumnya, pengulangan ini dilakukan terus menerus sehingga menghasilkan performa model terbaik berdasarkan data yang ada.
HASIL DAN PEMBAHASAN
Pada tahap ini membahas mengenai tahap persiapan, penerapan dan evaluasi dari penelitian ini menggunakan dataset dari data sekunder yang sudah tersedia untuk mengetahui hasil tingkat akurasi dari pasien pneumonia.
1. Dataset
Dataset yang digunakan dalam artikel ini adalah citra paru-paru yang terdiri atas dua kelas, yaitu citra paru-paru normal dan citra paru-paru pneumonia. Dipilihnya dataset ini karena dataset ini merupakan dataset baru yang berada di platform Kaggle. Dataset yang digunakan dalam artikel ini merupakan pembaharuan dataset Chest X-ray Images (Pneumonia) yang pernah dikompetisikan pada platform Kaggle.
Keseluruhan dataset dibagi ke dalam dua jenis, yakni data latih dan data uji. Data latih yang berada dalam dataset berjumlah 5.232 citra, yang terdiri atas 3.883 citra untuk kelas paru-paru pneumonia dan 1.349 citra untuk kelas paru-paru-paru-paru normal. Data uji yang berada dalam dataset berjumlah 634 citra, yang terdiri atas 390 citra untuk kelas paru-paru pneumonia dan 234 paru-paru normal. Jika dilihat dari perbandingan data kelas paru-paru pneumonia dan data kelas paru-paru normal tidaklah seimbang. Namun, dalam artikel ini hal tersebut diabaikan dikarenakan tujuan utama dari artikel ini adalah menguji performa AlexNet CNN architecture dalam menangani kondisi dataset yang diberikan.
2. AlexNet
AlexNet merupakan salah satu arsitektur Convolutional Neural Network (CNN) yang ditujukan untuk klasifikasi citra. AlexNet dapat dikatakan inovasi baru dalam arsitektur CNN. Arsitektur klasik CNN sulit diimplementasikan ke dalam gambar beresolusi tinggi. Oleh karena itu, AlexNet diciptakan untuk menangani permasalahan tersebut.
Gambar 1. AlexNet CNN architecture (Sumber : towardsdatascience.com)
5
Gambar 1 merupakan arsitektur CNN yang ada dalam model AlexNet. Arsitektur ini terdiri dari 5 convolutional layer, 3 polling layer, dan 3 fully connected layer. Convolutional
layer berguna sebagai kernel untuk memproses filter citra menjadi ukuran matriks yang lebih
kecil. Selanjutnya, polling layer bertugas mengurangi atau menurunkan downsampling lebih lanjut terhadap ukuran matriks. Selanjutnya, fully connected layer memiliki struktur yang sama seperti Multi-layer Perceptron(MLP) pada umumnya yang bertugas untuk mengklasifikasikan gambar berdasarkan matriks ekstraksi fitur.
Bagian convolutional layer dibantu fungsi aktivasi yang bertujuan membantu proses konvolusi. Fungsi aktivasi yang digunakan dalam AlexNet adalah Rectified Linear Unit (ReLU). Fungsi aktivasi ini dipilih dikarenakan memiliki keunggulan efisiensi untuk proses waktu pelatihan dan pengujian.
Pada bagian fully connected layer dalam arsitektur AlexNet dibantu dengan fungsi aktivasi ReLU dan softmax. Akan tetapi untuk artikel ini pada bagian fully connected layer akan menggunakan fungsi aktivasi ReLU dan sigmoid. Fungsi sigmoid digunakan karena hanya terdapat 2 kelas pada gambar, yakni kelas pneumonia dan kelas normal. Fungsi sigmoid akan mentransformasikan nilai masukan menjadi nilai baru dalam rentang 0 sampai dengan 1. Angka 0 dan 1 melambangkan kelas gambar tersebut berada. Jika angka yang dihasilkan adalah 0 maka gambar tersebut adalah paru-paru normal. Jika angka yang dihasilkan adalah 1 maka gambar tersebut adalah gambar paru-paru yang terkena pneumonia.
Dalam proses pembaharuan bobot dari AlexNet, digunakan metode Adam. Metode
Adam memiliki proses komputasi yang relatif efisien dari segi waktu dan kebutuhan memori.
Metode ini juga tidak berubah terhadap skala gradien dan cocok digunakan untuk jumlah data yang memiliki parameter banyak.
Untuk mengetahui besar nilai kesalahan, digunakan fungsi Binary Cross-Entropy Loss. Fungsi ini bekerja ketika model AlexNet memberikan kesalahan yang harus diperhatikan. Fungsi ini digunakan untuk permasalahan klasifikasi biner dimana nilai target adalah angka 0 dan 1.
3. Pemrosesan Awal Dataset
Pemrosesan awal dilakukan untuk membagi data latih dari dataset menjadi data latih dan data validasi dengan rasio 1 : 0.25. Hal ini dilakukan agar perbandingan antara data latih dan data validasi tidak terlalu jauh. Pada proses ini juga dilakukan proses augmentasi gambar untuk mengatasi sedikitnya data citra pada dataset ini. Proses augmentasi gambar dilakukan dengan bantuan kelas ImageDataGenerator yang berasal dari framework tensorflow. Pada proses ini juga dilakukan standarisasi ukuran pixel tiap-tiap gambar menjadi rentang 0-1.
6
Gambar 3. Pembagian data latih menjadi data latih dan data validasi
Pada pemrosesan awal juga dilakukan untuk melakukan standarisasi ukuran gambar menjadi 227 x 227 pixel. Standarisasi dilakukan karena ukuran gambar pada dataset ini beragam. Oleh karena itu hal ini perlu dilakukan sebelum dimasukkan ke dalam model AlexNet. Gambar 4 di bawah ini merupakan tampilan sebelum dilakukan preprocessing sedangkan Gambar 5 menunjukan gambar hasil preprocessing.
Gambar 4. Gambar sebelum dilakukan preprocessing
7
4. Pembuatan Model
Pada tahap pembuatan model AlexNet terdiri dari pembuatan callback function, pembuatan model AlexNet, dan pelatihan model AlexNet.
4.1. Pembuatan Callback Function
Callback function digunakan untuk menghentikan proses pelatihan model ketika
mencapai akurasi lebih dari 93 % dan nilai loss kurang dari 0.3. Proses ini dilakukan untuk menghindari akurasi model AlexNet dan nilai loss yang berubah menjadi lebih kecil ketika proses pelatihan. Callback function juga berguna untuk menyimpan model secara otomatis. Pada Gambar 6 merupakan penerapan callback function pada artikel ini.
Gambar 6. Pembuatan Callback Function
4.2. Pembuatan Model AlexNet
Pada proses ini dilakukan pembangunan model menggunakan arsitektur AlexNet. Model AlexNet sangat mudah overfit oleh karena itu dalam pembuatan model ini ditambahkan
dropout layer dan Batch Normalization layer. Hal ini bertujuan untuk mencegah kemungkinan overfit pada model AlexNet. Ringkasan arsitektur yang digunakan dalam artikel ini dapat
dilihat pada Tabel 1.
Tabel 1. Ringkasan Parameter Arsitektur AlexNet
Layer (Type) Output Shape Param #
conv2d (Conv2D) (None, 55, 55, 96) 34944
batch_normalization (BatchNormalization) (None, 55, 55, 96) 384 max_pooling2d (MaxPooling2D) (None, 27, 27, 96) 0
conv2d_1 (Conv2D) (None, 27, 27, 256) 614656
max_pooling2d_1 (MaxPooling2D) (None, 13, 13, 256) 0 batch_normalization_1 (BatchNormalization) (None, 13, 13, 256) 1024
conv2d_2 (Conv2D) (None, 13, 13, 384) 885120
conv2d_3 (Conv2D) (None, 13, 13, 384) 1327488
8
max_pooling2d_2 (MaxPooling2D)
(None, 6, 6, 256) 0
dropout (Dropout) (None, 6, 6, 256) 0
batch_normalization_2 (BatchNormalization)
(None, 6, 6, 256) 1024
flatten (Flatten) (None, 9216) 0
dense (Dense) (None, 4096) 37752832
batch_normalization_3
(BatchNormalization)
(None, 4096) 16384
dense_1 (Dense) (None, 4096) 16781312
batch_normalization_4 (BatchNormalization)
(None, 4096) 16384
dropout_1 (Dropout) (None, 4096) 0
dense_2 (Dense) (None, 1) 4097
Total params: 58,320,641 Trainable params: 58,303,041 Non-trainable params: 17,600
Model AlexNet yang sudah didefinisikan selanjutnya akan dilakukan kompilasi. Pada proses kompilasi dilakukan pendefinisian loss function dan optimizers yang digunakan. loss
function yang digunakan adalah binary cross-entropy sedangkan optimizers yang digunakan
adalah Adam. Proses kompilasi model AlexNet dalam artikel ini dapat dilihat pada Gambar 7.
Gambar 7. Kompilasi Model AlexNet
4.3. Pelatihan Model AlexNet
Proses pelatihan model AlexNet dilakukan sebanyak 32 epochs. Satu epoch merupakan kondisi ketika seluruh dataset melewati satu kali proses forward dan backward dalam jaringan saraf. Pada proses pelatihan model AlexNet, Model akan dilatih dengan data latih dan hasil dari pembelajaran tersebut akan divalidasi dengan data validasi.
9
Gambar 8. Pendefinisian Data Latih dan Data Uji pada Model
Gambar 9 menunjuk pada epoch ke-25 proses pelatihan berhenti dikarenakan sudah mencapai kondisi yang ada di callback function. Akurasi model pada epoch ke-25 untuk data latih mencapai 95.17% dengan loss sebesar 13.81%. Akurasi model pada epoch ke-25 data validasi mencapai 96.63% dengan loss 11.74%.
Gambar 9. Hasil Akhir Pelatihan Model
4.4 Evaluasi Model
Terdapat dua perbandingan yang dilakukan untuk melihat performa model yang akan menjadi acuan evaluasi selama pembuatan model, yakni perbandingan tingkat akurasi antara pelatihan dan pengujian, serta perbandingan tingkat kesalahan(loss) antara pelatihan dan pengujian. Perbandingan ini ditampilkan secara grafik pada Gambar 10 untuk akurasi dan Gambar 11 untuk tingkat kesalahan. Pada Gambar 10, grafik berwarna biru menunjukan akurasi untuk data uji sedangkan grafik berwarna oranye menunjukan akurasi untuk data validasi. Pada Gambar 11, grafik berwarna biru menunjukan kesalahan(loss) untuk data uji sedangkan grafik berwarna oranye menunjukan kesalahan(loss) untuk data validasi.
10
Gambar 11. Grafik perbandingan nilai kesalahan pelatihan dan pengujian Evaluasi model AlexNet juga dapat dilakukan dengan melihat performa model dalam memprediksi data yang belum pernah dilihat sebelumnya, yakni data uji. Data uji adalah data yang tidak tersentuh sama sekali selama proses pelatihan. Oleh karena itu, data ini menjadi acuan untuk melihat performa model AlexNet yang sudah dilatih sebelumnya. Gambar 12 menunjukkan bahwa model ini dapat memprediksi data uji dengan tingkat ketepatan sebesar 93.75% dan tingkat kesalahan sebesar 12.09%. Hasil ini cukup baik jika dilihat dari jumlah data yang tidak seimbang antara jumlah data kelas paru-paru normal dengan jumlah data kelas paru-paru pneumonia. Gambar 13 menunjukkan visualisasi hasil prediksi model AlexNet dalam memprediksi data uji, kelas 0 menunjukkan bahwa gambar tersebut adalah gambar paru-paru normal sedangkan kelas 1 menunjukkan bahwa gambar tersebut adalah paru-paru-paru-paru pneumonia.
Gambar 12. Hasil Evaluasi Model dengan Data Uji
11
PENUTUP
Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa model CNN dengan arsitektur AlexNet memiliki performa yang cukup baik untuk melakukan klasifikasi pneumonia pada citra X-rays paru-paru, dengan akurasi validasi sebesar 93.75%. Hasil ini belum mencapai nilai optimal dikarenakan masih terdapat ketidak seimbangan jumlah data pada kelas paru-paru pneumonia dan jumlah data pada kelas paru-paru normal overfit dalam proses pelatihan pada Gambar 10. Hasil penelitian ini diharapkan memberikan kontribusi untuk pengembangan keilmuan, khususnya untuk penerapan model AlexNet dalam menangani
dataset baru. Untuk pengembangan berikutnya, dapat difokuskan untuk menangani
ketidakpastian akurasi pada data uji saat pelatihan, konfigurasi pada AlexNet CNN architecture, serta jumlah epochs. Tidak menutup kemungkinan untuk mengimplementasikan beberapa metode deep learning yang lain seperti Transfer Learning untuk meningkatkan akurasi model.
DAFTAR PUSTAKA
Géron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn 2nd Edition, Keras & TensorFlow. California: O’Reilly Media, Inc.
Jason Brownlee. 2019. How to Choose Loss Function When Training Deep Learning Neural Networks. [Internet]. Tersedia di: https://machinelearningmastery.com/how-to-choose-loss-functions-when-training-deep-learning-neural-networks/
Jerry Wei. 2019. AlexNet: The Architecture that Challenged CNNs. [Internet]. Tersedia di :
https://towardsdatascience.com/alexnet-the-architecture-that-challenged-cnns-e406d5297951
Maysanjaya, I Md Dendi. 2020. Klasifikasi Pneumonia pada Citra X-rays Paru-paru dengan
Convolutional Neural Network. Jurnal Nasional Teknik Elektro dan Teknologi
Informasi. 9(2): 190-195.
Richmond Alake. 2020. Implementing AlexNet CNN Architecture Using TensorFlow2.0+ and Keras. [Internet]. Tersedia di: https://towardsdatascience.com/implementing-alexnet-cnn-architecture-using-tensorflow-2-0-and-keras-2113e090ad98
Risha A. W, Hafiz. I., M. Ezar. Al Rivan. 2020. Klasifikasi Pneumonia Menggunakan Metode Support Vector Machine. Jurnal Algoritme Vol. 1, No. 1, Hal. 21-32.
Samuel Sena. 2017. Pengenalan Deep Learning Part 7: Convolutional Neural Network(CNN). [Internet]. Tersedia di: https://medium.com/@samuelsena/pengenalan-deep-learning-part-7-convolutional-neural-network-cnn-b003b477dc94
Zeth A. L. & Berny P. T. 2015. Diagnosa Penyakit Saluran Pernapasan Dengan Menggunkan Support Machine (SVM). Jurnal Ilmu Matematika dan Terapan. Vol. 9. No. 2, pp. 109-119.
