Klasifikasi Penyakit Pneumonia Dan Covid-19 Berbasis Citra X-ray Menggunakan Arsitektur Deep Residual Network
DOI:
https://doi.org/10.34818/eoe.v9i4.18232Abstrak
Abstrak—Pneumonia dan COVID-19 merupakan jenis penyakit yang dapat menginfeksi paru-paru dan bahkan menyebabkan kematian. Kedua jenis penyakit yang hampir mirip sehingga menjadi sulit untuk dibedakan. Terdapat berbagai metode untuk mendiagnosis penyakit pneumonia dan COVID-19. Salah satunya adalah dengan melihat hasil citra X-Ray. Dalam prosesnya dibutuhkan sistem yang otomatis dan akurat. Pada penelitian ini deep learning dengan model arsitektur residual network diimplementasikan ke dalam sistem untuk mengklasifikasikan data citra X-Ray menjadi tiga kelas, yaitu: Normal, Pneumonia, dan COVID-19. Ketiga data tersebut dilakukan tahapan preprocessing resize dan CLAHE. Total dataset yang digunakan untuk pelatihan, dan validasi, yaitu sebanyak 3097 citra dan tes sebanyak 233 citra X-Ray. Terdiri dari 1032 citra X-Ray pneumonia, 1032 citra X-Ray positif COVID-19, serta 1033 citra X-Ray normal. Penelitian dilakukan dengan melatih model ResNet-34, ResNet-50, dan ResNet-101. Dengan menggunakan optimizer Adam, Adamax, Nadam, dan SGD. Dari semua eksperimen, hasil terbaik didapatkan oleh model ResNet-101 menggunakan optimizer Adam, dengan akurasi validasi sebesar 91,2%. Usulan metode ini dievaluasi menggunakan presisi, recall, F1-score, dengan hasil masing-masing sebesar 0.81, 0.79, 0.79, dan akurasi test terbaik sebesar 79,91%. Kata Kunci—pneumonia, COVID-19, citra x-ray, deep learning, resnetReferensi
[1] M. A. Hariadi, L. S. Angreani dan A. S. Fatkhurrahman, “APLIKASI SEGMENTASI PARU-PARU,” Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 7, no. 1, pp. 5-8, 16 November 2015.
[2] E. Kusumawardhani, Mengenal Perbedaan Pneumonia COVID-19 dengan Pneumonia Oleh Sebab Lain, Banjarmasin: Rumah Sakit Umum Daerah Ulin Banjarmasin, 2020, pp. 14-15.
[3] P. Rajpurkar, J. Irvin, K. Zhu dan e. a. , “CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning,” Computer Vision and Pattern Recognition, pp. 1-7, 2 Agustus 2017.
[4] Z. Nabila, A. R. Isnain, P. dan Z. Abidin, “ANALISIS DATA MINING UNTUK CLUSTERING KASUS COVID-19,” Jurnal Teknologi dan Sistem Informasi (JTSI), vol. 2, no. 2, pp. 100-108, 21 September 2021.
[5] Y. Li, Z. Zhang dan et al., “Accuracy of deep learning for automated detection of pneumonia using chest X-Ray images: A systematic review and meta-analysis,” Computers in Biology and Medicine, vol. 123, pp. 1-8, 2020.
[6] M. Nishio, S. Noguchi dan et al., “Automatic classification between COVID 19 pneumonia, non COVID 19 pneumonia, and the healthy on chest X ray image: combination of data augmentation methods,” Scientific Reports, vol. 10, pp. 1-6, 2020.
[7] E. Ayan dan H. M. Ünver, “Diagnosis of Pneumonia from Chest X-Ray Images Using Deep Learning,” 2019 Scientific Meeting on Electrical-Electronics & Biomedical Engineering and Computer Science (EBBT), pp. 1-5, 2019.
[8] A. Keles, M. B. Keles dan A. Keles, “COV19-CNNet and COV19-ResNet: Diagnostic Inference Engines for Early Detection of COVID-19,” Cognitive Computation, pp. 1-11, 2020.
[9] A. Esteva, A. Robicquet, B. Ramsundar dan e. a. , “A guide to deep learning in healthcare,” Nature Medicine, vol. 25, pp. 24-29, 5 Februari 2019.
[10] M. Z. Alom, T. M. Taha, C. Yakopcic dan et al., “A State-of-the-Art Survey on Deep Learning Theory and Architectures,” Journal Electronics, vol. 8, no. 3, pp. 1-67, 2019.
[11] S. Indolia, A. K. Goswami, M. dan P. Asopa, “Conceptual Understanding of Convolutional Neural Network- A Deep Learning Approach,” International Conference on Computational Intelligence and Data Science (ICCIDS 2018), vol. 132, pp. 679-688, 2018.
[12] A. Ghosh, A. Sufian dan et al., “Fundamental Concepts of Convolutional Neural Network,” Recent Trends and Advances in Artificial Intelligence and Internet of Things, vol. 172, pp. 519-567, 30 Agustus 2020.
[13] P. Kamencay, M. Benco, T. Mizdos dan R. Radil, “A New Method for Face Recognition Using Convolutional Neural Network,” ADVANCES IN ELECTRICAL AND ELECTRONIC ENGINEERING, vol. 15, no. 4, pp. 663-672, 2017.
[14] C. . B. S. Maior, J. M. M. Santana, I. D. Lins dan M. J. C. Moura, “Convolutional neural network model based on radiological images to support COVID-19 diagnosis: Evaluating database biases,” PLoS ONE, vol. 16, no. 3, pp. 1-25, 2021.
[15] Y. S. Hariyani, S. Hadiyoso dan T. S. Siadari, “Deteksi Penyakit Covid-19 Berdasarkan Citra X-Ray Menggunakan Deep Residual Network,” Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 8, no. 2, pp. 443-453, 2020.
