Peningkatan Citra Untuk Klasifikasi Gangguan Paru-Paru Menggunakan Deep Learning
Abstract
Gangguan pada paru-paru seperti pneumonia, tuberculosis, dan Covid-19 merupakan gangguan yang cukup serius dimana dapat menyerang sistem pernapasan manusia dan bisa berakibat fatal jika tidak ditangani dengan serius. Gejala yang muncul yaitu sakit tenggorokan, batuk, demam, dan kesulitan dalam bernapas. Pengamatan kondisi paru-paru pasien dilakukan paramedis melalui foto rontgen (Chest Xrays). Namun, kualitas citra rontgen terkadang kurang optimal, sehingga dikembangkan sistem otomatisasi berbasis CAD. Oleh karena itu, pada proyek akhir ini merancang sistem untuk meningkatkan citra pada kinerja deep learning. Terutama pada perbandingan performasi sistem sebelum preprocessing dan setelah preprocessing. Penelitian ini bertujuan mengembangkan sistem otomatisasi untuk mendeteksi dan mengklasifikasikan penyakit paru-paru pada citra rontgen menggunakan Convolutional Neural Network (CNN) dengan arsitektur Inception V3. Sebuah dataset multi-kelas yang mencakup Normal, Pneumonia, Tuberkulosis (TB), dan Covid19 digunakan untuk melatih dan menguji model. Evaluasi performa sistem dilakukan sebelum dan setelah preprocessing citra dengan metode Unsharp Masking (UM) dan HighFrequency Emphasis Filtering (HEF). Hasil penelitian Pada data latih tanpa preprocessing, model mencapai akurasi sekitar 86.11%, dengan tingkat presisi, recall, dan F1-Score yang cukup seimbang. Sedangkan data latih sesudah preprocesing model mencapai akurasi sekitar 99.31%, dan presisi, recall, serta F1- Score mendekati 99.32%.
Kata kunci— Chest X-Ray, Convolutional Neural Network (CNN), Inception V3, Tuberculosis, Pneumonia, COVID-19
Downloads
References
R. Rahmadewi and R. Kurnia, "KLASIFIKASI PENYAKIT PARU BERDASARKAN CITRA RONTGEN DENGAN METODA SEGMENTASI SOBEL," Jurnal Nasional Teknik Elektro, vol. 5, no. 1, pp. 2302-2949, 2016. [2] M. G. Manoj, M. K. S. Kumar, K. T. Valsaraj, C. Sivan and S. K. Vijayan, "Potential Link Between Compromised Air Quality and Transmission of the Novel Corona Virus (SARS-CoV-2) in Affected Areas," Environmental Research, vol. 190, p. 110001, 2020. [3] S. Septhyan, "Deep Learning Untuk Deteksi Covid19, Pneumonia, Dan Tuberculosis Pada Citra Rontgen Dada Menggunakan CNN Dengan Arsitektur Alexnet," Universitas Telkom, S1 Teknik Telekomunikasi, Bandung, 2022. [4] T. P. Htun, Y. Sun, H. L. Chua and J. Pang, "Clinical features for diagnosis of pneumonia among adults in primary care setting: A systematic and meta-review," Scientific Report, vol. 9, no. 1, p. 7600, 2019. [5] O. Rochmawanti, F. Utaminingrum and F. A. Bachtiar, "ANALISIS PERFORMA PRE-TRAINED MODEL CONVOLUTIONAL NEURAL NETWORK DALAM MENDETEKSI PENYAKIT TUBERCULOSIS," Jurnal Teknologi Informasi dan Ilmu Komputer (JTIK), vol. 8, no. 4, p. 805, 2021. [6] Suryanto, N. R. Kurniawan and S. Mandala, DEEP LEARNING MODERNISASI MACHINE LEARNING UNTUK BIG DATA, Bandung: Informatika, 2019, pp. xiv, 250. [7] L. Tobias, A. Ducournau, F. Rousseau, G. Mercier and R. Fablet, "Convolutional Neural Network for Object Recognition on Mobile Devices: a Case Study," in International Conference on Pattern Recognition(ICPR), Mexico, 2016. [8] S. H. Abdullah, "Klasifikasi Diabetic Retinopathy Berbasis Pengolahan Citra Fundus dan Deep Learning," Fakultas Teknik Elektro, Universitas Telkom Bandung, 2021.
