IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT BATU GINJAL BERDASARKAN CITRA RONTGEN

Pemeriksaan citra rontgen ginjal merupakan metode yang umum digunakan dalam mendeteksi batu ginjal secara visual. Namun, tantangan utama terletak pada proses klasifikasinya. Algoritma seperti K-Nearest Neighbors (K-NN) telah banyak diterapkan dalam klasifikasi citra medis, tetapi memiliki keterbatasan. K-NN mengklasifikasikan data hanya berdasarkan kedekatan jarak antar fitur tanpa kemampuan mengekstraksi. Hal ini menyebabkan akurasinya kurang optimal, terutama pada citra berdimensi tinggi atau dataset berskala besar. Oleh karena itu, penelitian sebelumnya mengusulkan pendekatan berbasis Deep Learning, khususnya Convolutional Neural Network (CNN), sebagai solusi klasifikasi otomatis yang lebih akurat. CNN mampu mengekstraksi fitur spasial secara mandiri dan belajar pola kompleks dari data citra. Dataset yang digunakan terdiri dari 4.000 citra rontgen ginjal yang terbagi dalam dua kelas, ginjal normal dan batu ginjal. Eksperimen dilakukan dengan berbagai kombinasi hyperparameter seperti epoch, mini batch size, variasi dataset, serta jenis optimizer (ADAM, SGDM, RMSProp). Hasil pengujian menunjukkan bahwa CNN mampu mencapai akurasi tinggi hingga 98,91%, dengan konfigurasi optimal pada epoch ke-50 dan optimizer RMSProp. Temuan ini menegaskan bahwa CNN merupakan solusi efektif untuk klasifikasi citra rontgen ginjal secara otomatis dan presisi tinggi.

Kata Kunci: Convolutional Neural Network, Deep Learning, Ginjal, Batu Ginjal, Citra Rontgen.