Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Dampak Squeeze-and-Excitation Blocks pada Model CNN dan Transfer Learning untuk Klasifikasi Pneumonia Menggunakan Citra Sinar-X Dada

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
7f5cf7c5-c447-4098-a671-8efa21eb3cfe
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan penelitian yang mengevaluasi integrasi Squeeze-and-Excitation (SE) Block pada model deep learning untuk klasifikasi pneumonia menggunakan citra sinar-X dada. Kegiatan ini melibatkan peneliti UDINUS Yunan, Muhammad; Marjuni, Aris; Affandy; Soeleman, Mochamad Arief; dan Firdaus, Iqbal. Penelitian membahas pneumonia sebagai salah satu penyebab utama kematian akibat infeksi saluran pernapasan, terutama pada anak-anak dan lanjut usia. Penelitian juga mempertimbangkan pentingnya deteksi dini karena interpretasi manual citra sinar-X dada sering bersifat subjektif dan rentan terhadap kesalahan.

Kegiatan ini mengevaluasi model Convolutional Neural Network (CNN) khusus dan tiga arsitektur transfer learning, yaitu MobileNetV2, VGG16, dan InceptionV3. Dataset tersebut berisi 5.856 citra yang diambil dari dataset Chest X-ray Images (Pneumonia) pada Kaggle. Citra diproses melalui preprocessing, undersampling, dan augmentasi. Setiap model diuji dalam dua konfigurasi, yaitu tanpa SE Block dan dengan SE Block. Evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan test loss.

Hasil penelitian menunjukkan bahwa integrasi SE Block meningkatkan akurasi sebagian besar model. Akurasi CNN khusus meningkat dari 95,17% menjadi 95,88%, akurasi MobileNetV2 meningkat dari 97,18% menjadi 97,59%, dan akurasi VGG16 meningkat dari 96,88% menjadi 97,69%. Akurasi InceptionV3 juga meningkat dari 94,06% menjadi 94,16%, meskipun test loss-nya meningkat. Penelitian menjelaskan bahwa SE Block memperkuat penekanan model terhadap fitur penting melalui mekanisme inter-channel recalibration, terutama pada MobileNetV2 dan VGG16.

Penelitian UDINUS ini berkaitan dengan tujuan kesehatan yang dinyatakan melalui kajian klasifikasi pneumonia dan metode deteksi dini. Temuannya mendukung pengembangan sistem diagnosis pneumonia berbasis deep learning yang lebih akurat, efisien, dan adaptif, termasuk penerapannya pada fasilitas kesehatan dengan sumber daya terbatas.

Rujukan https://www.scopus.com/pages/publications/105027907609?origin=resultslist