Pengaruh Progressive Resizing pada EfficientNetB4 untuk Klasifikasi Pneumonia Bakterial dan Viral

Abstract

Pneumonia merupakan penyebab utama kematian akibat infeksi pada anak di bawah usia lima tahun, menyumbang sekitar 14% dari seluruh kematian anak menurut WHO. Diferensiasi antara pneumonia bakterial dan viral berdasarkan citra X-ray dada merupakan tantangan klinis yang signifikan karena keduanya menunjukkan pola radiologis yang tumpang tindih, namun memerlukan penanganan terapeutik yang berbeda, yaitu antibiotik untuk bakteri dan penanganan suportif untuk virus. Penelitian ini membandingkan dua strategi pelatihan berbasis transfer learning pada arsitektur EfficientNetB4 untuk klasifikasi biner pneumonia bakterial versus viral: (1) strategi Fixed Size yang melatih model langsung pada resolusi 384x384 piksel selama 32 epoch, dan (2) strategi Progressive Resizing yang melatih melalui tiga tahap resolusi meningkat (224, 256, dan 384 piksel) selama total 41 epoch. Kedua model menggunakan arsitektur identik berupa Concat Pooling head (GlobalAveragePooling2D + GlobalMaxPooling2D), Focal Loss, augmentasi Albumentations dengan MixUp, serta optimizer AdamW. Menggunakan dataset Kermany et al. dengan 3.883 citra pelatihan-validasi dan set uji terpisah sebesar 390 citra (242 bakterial, 148 viral), dengan evaluasi menggunakan Test-Time Augmentation (TTA) 2-langkah deterministik, model Fixed Size mencapai akurasi 86,92% dan ROC AUC 0,9198, mengungguli model Progressive Resizing yang mencapai akurasi 78,46% dan ROC AUC 0,8011. Visualisasi Grad-CAM mengonfirmasi bahwa Model Fixed Size menghasilkan peta aktivasi yang lebih terlokalisasi secara spasial pada parenkima paru yang patologis. Temuan ini menunjukkan bahwa pelatihan langsung pada resolusi target lebih efektif untuk tugas klasifikasi citra medis yang bergantung pada fitur resolusi tinggi.