Deteksi Pneumonia pada citra X-RAY menggunakan CNN dengan Stacking Ensemble

ABSTRAK:

Pneumonia merupakan infeksi paru yang berpotensi fatal apabila tidak terdeteksi secara dini, sehingga diperlukan sistem diagnosis berbantuan komputer yang akurat dan stabil. Penelitian ini bertujuan mengevaluasi apakah pendekatan stacking ensemble Convolutional Neural Network (CNN) mampu memberikan performa yang lebih baik dibandingkan model tunggal dalam deteksi pneumonia pada citra X-ray paru-paru. Metode yang diusulkan mengombinasikan EfficientNetB0, MobileNetV2, dan MobileNetV3Small sebagai base learner dengan Dense Neural Network (DNN) sebagai meta-learner, serta dievaluasi menggunakan metrik akurasi, sensitivitas, spesifisitas, F1-score, dan AUC-ROC pada berbagai skenario pembagian data dan ketidakseimbangan kelas. Hasil eksperimen menunjukkan bahwa model stacking ensemble CNN memberikan performa paling unggul dan konsisten dibandingkan seluruh model tunggal, dengan capaian terbaik pada skenario full dataset rasio 80:20 berupa akurasi 99,14%, sensitivitas 98,99%, dan AUC-ROC 99,87%, serta stabilitas yang lebih baik terhadap variasi data. Temuan ini membuktikan bahwa pendekatan stacking ensemble CNN lebih efektif dan andal untuk diterapkan sebagai sistem pendukung skrining klinis pneumonia.

ABSTRACT:

Pneumonia is a lung infection that can be fatal if not detected early, highlighting the need for accurate and stable computer-aided diagnosis systems. This study aims to evaluate whether a convolutional neural network (CNN) stacking ensemble approach can achieve better performance than single models in detecting pneumonia from chest X-ray images. The proposed method combines EfficientNetB0, MobileNetV2, and MobileNetV3Small as base learners with a Dense Neural Network (DNN) as a meta-learner, and is evaluated using accuracy, sensitivity, specificity, F1-score, and AUC-ROC across various data-splitting scenarios and class-imbalance conditions. Experimental results show that the CNN stacking ensemble consistently outperforms all single models, achieving its best performance on the full dataset with an 80:20 split, yielding 99.14% accuracy, 98.99% sensitivity, and an AUC-ROC of 99.87%, while demonstrating greater stability against data variability. These findings confirm that the CNN stacking ensemble is a more effective and reliable approach for implementation in computer-aided clinical pneumonia screening systems.

مستخلص البحث:

يُعد الالتهاب الرئوي من الأمراض المعدية الخطيرة التي قد تكون قاتلة إذا لم يتم تشخيصها مبكرًا. يهدف هذا البحث إلى تطوير نموذج ذكاء اصطناعي للكشف التلقائي عن الالتهاب الرئوي اعتمادًا على صور الأشعة السينية للصدر باستخدام تقنيات التعلم العميق. استخدم الباحث نهج التكديس التجميعي (Stacking Ensemble) الذي يجمع بين ثلاثة نماذج أساسية: EfficientNetB0 وMobileNetV2 وMobileNetV3Small، مع متعلّم فوقي (Meta-Learner) يعتمد على شبكة عصبية كثيفة (Dense Neural Network). أظهرت النتائج أن نموذج التكديس التجميعي حقق دقة تتراوح بين ‎96.67٪‎ و‎97.25٪‎، ودقة تنبؤ (Precision) بلغت ‎98.14٪‎، وتخصص (Specificity) ‎97.80٪‎، ومنحنى ROC-AUC قريب من الكمال (‎0.9965–0.9970‎). بينما حقق النموذج الفردي الأفضل، EfficientNetB0، أعلى حساسية بلغت ‎98.62٪‎. تشير النتائج إلى أن التكديس لا يتفوق تمامًا على النموذج الفردي الأفضل من حيث الدقة، لكنه يقلل بشكل ملحوظ من الإيجابيات
الكاذبة. لذلك، يمكن اعتماد نهج التكديس في أنظمة دعم القرار الطبي، خاصة في مرحلة تأكيد تشخيص الالتهاب الرئوي.