Optimisasi Parameter VGGNet melalui Bayesian Optimization untuk Klasifikasi Nodul Paru

Abstract

Kanker paru menjadi fokus utama dalam kesehatan masyarakat global karena tingkat kematian yang signifikan. Untuk menganalisis kanker paru, pemindaian radiografi seperti X-ray, MRI, atau CT scan umumnya digunakan. Pendekatan untuk mendeteksi nodul paru dapat dikelompokkan menjadi dua kategori utama, yaitu: metode machine learning dan berbasis deep learning. Metode machine learning memerlukan ekstraksi fitur manual dari nodul, sedangkan pendekatan berbasis deep learning, terutama dengan menggunakan Convolutional Neural Networks (CNN). Metode CNN semakin populer karena kemampuannya untuk belajar fitur-fitur yang relevan secara otomatis dari data. Membangun CNN melibatkan penyesuaian konfigurasi yang tidak dapat ditentukan secara otomatis dari data. Hasil dari pencarian Bayesian Optimization dapat membantu dalam menentukan hiperparameter yang optimal untuk jaringan CNN. Namun, penelitian ini menemukan bahwa menerapkan parameter optimal pada VGGNet untuk klasifikasi multi kelas menghasilkan kecenderungan overfitting. Meskipun akurasi model saat pelatihan mencapai 96,8%, akurasi pada data uji hanya mencapai 35,40%, menunjukkan bahwa model cenderung tidak generalisasi dengan baik pada data yang belum pernah dilihat sebelumnya.