Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal

Authors

  • Irfan Surya Ramadhan Dian Nuswantoro University
  • Abu Salam Dian Nuswantoro University

DOI:

https://doi.org/10.62411/tc.v23i1.9738

Keywords:

Kidney Cyst, Deep Learning, CNN, Random Undersampling, CT Scan

Abstract

Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang.

References

A. Ariani and S. , "Klasifikasi Penyakit Ginjal Kronis menggunakan K-Nearest Neighbor," Annual Research Seminar, p. 4, 2019.

D. A. Bashar, "Survey on Envolving Deep Learning Neural Network Achitectures," Journal of Artificial Intelligence and Capsule Networks, vol. 01, no. 02, pp. 78-82, 2019.

S. S. and M. P. , "Heart Diseases Prediction using Deep Learning Neural Network Model," International Journal of Innovative Technology and Exploring Engineering (IJTEE), vol. 9, no. 3, 2020.

V. N. S. S. Chimakurthi, "Application of Convolution Neural Network for Digital Image Processing," Engineering International, vol. 8, 2020.

A. F. Suahati, A. A. Nurrahman and O. Rukmana, "Penggunaan Jaringan Syaraf Tiruan - Backpropagation dalam Memprediksi Jumlah Mahasiswa Baru," Jurnal Media Teknik & Sistem Industri, vol. 6, pp. 21-29, 2022.

K. N. Abd Halim, A. S. Mohamad Jaya and A. F. Ahmad Fadzil, "Data Preprocessing for Neural Network Binary Classification Model in Bank Tele-Marketing," International Journal of Innovative Technology and Exploring Engineering (IJTEE), vol. 9, no. 3, 2020.

Z. Li, K. Kamnitsas and B. Glocker, "Analyzing Overfitting under Class Imbalance in Neural Networks for Image Segmentation," Intitute of Electrical and Electronics Engineers, vol. 40, no. 3, 2020.

S. Bagui and K. Li, "Resampling Imbalanced Data for Network Intrusion Detection Datasets," Journal of Big Data, 2021.

J. H. Osorio, A. A. Meza, G. D. Santacoloma, A. O. Gutierrez and G. C. Dominguez, "Relevant Information Undersampling to Support Imbalanced data Classification," Neurocomputing, vol. 436, pp. 136-146, 2021.

H. A. Ahmed, A. Hameed and N. Z. Bawany, "Network Intrusion Detection using Oversampling Technique and Machine Learning Algorithms," PeerJ Computer Science, 2022.

M. C. Untoro and M. A. N. Maulana Yusuf, "Evaluate of Random Undersampling Method and Majority Weighted Minority Oversampling Technique in Resolve Imbalanced Dataset," IT Journal Research & Development, vol. 8, 2023.

E. Sutoyo and M. A. Fadlurrahman, "Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Ratting Menggunakan Artificial Neural Network," Jurnal Edukasi dan Penelitian Indonesia, vol. 6, 2020.

P. Liang, W. Li and J. Hu, "Oversampling the Minority Class in A Multi-Linear Feature Space for Imbalance Data Classification," IEEJ Transaction on Electrical and Electronic Engineering , 2018.

F. Thabtah, S. Hammoud, F. Kamalov and A. Gonsalves, "Data Imbalance in Classification : Experimental Evaluation," Information Sciences, vol. 513, pp. 429-441, 2020.

T. Wongvorachan, S. He and O. Bulut, "A Comparison of Undersampling, Oversampling, and SMOTE Methods for Dealing with Imbalanced Clasification in Educational Data Mining," MDPI, 2023.

R. Wardoyo, I. M. A. Wirawan and I. G. A. Pradipta, "Oversampling Approach Using Radius-SMOTE for Imbalance Electroencephalography Datasets," Emerging Science Journal, vol. 6, 2022.

H. Mukherjee, S. Ghosh, A. Dhar, S. M. Obaidullah, K. C. Santosh and K. Roy, "Deep Neural Network to Detect Covid-19: One Architecture for Both CT Scans and Chest X-Rays," Applied Intelligence, 2021.

T. Wongvorachan, S. He and O. Bulut, "A Comparison of Undersampling, Oversampling, and SMOTE Methods for Dealing with Imbalanced Classification in Educational Data Mining," MDPI, 2022.

L. Alzubaidi, J. Zhang, A. J. Humaidi, A. Al-Dujaili, Y. Duan, O. Al-Shamma, J. Santamaria, M. A. Fadhel, M. Al-Amidie and L. Farhan, "Review of deep learning: concepts, CNN architectures, challenges, applications, future directions," Journal of Big Data, 2021.

R. R. Putra, I. G. Tofik Isa, A. B. Joni Malyan, E. Laila and A. T. Wardhana, "Level Optimum Hyperparameter Tuning Epoch dalam Klasifikasi Citra Bencana Kebakaran," Jurnal Teknologi Rekayasa (JTERA), vol. 7, 2022.

Downloads

Published

2024-02-18