Evaluasi Kinerja Model Menggunakan Cnn Transfer Learning Pada Klasifikasi X-ray Covid-19 = Performance Evaluation of the Model Using Cnn Transfer Learning on Covid-19 X-ray Classification
Year: 2023
Type: dissertation
Abstract: Paru-paru merupakan bagian dari tubuh manusia yang memiliki peran penting dalam pernapasan. Masalah yang sering timbul pada paru-paru adalah kualitas udara yang masuk ke paru-paru apakah tercemar atau tidak. Pneumonia dan Covid-19 merupakan penyakit yang menyebabkan peradangan pada paru-paru dan dapat menyebabkan kematian, Covid-19 menjadi masalah besar bagi banyak negara di dunia sejak tahun 2020. Terdapat kesamaan antara Covid-19 dengan pneumonia pada gejala seperti batuk dan sesak napas. Pelaksanaan tes deteksi cepat Covid-19 tidak serta merta berjalan mulus, namun tim medis mengalami banyak kendala. Salah satu penyebabnya adalah terbatasnya jumlah alat tes Covid-19, sehingga perlu dilakukan deteksi dini untuk membedakan antara pneumonia dan Covid-19. Citra X-ray dapat digunakan untuk mendeteksi pneumonia dan Covid-19. Deteksi manual memungkinkan terjadinya kesalahan, sehingga perhitungan komputasi diperlukan untuk meminimalkan kesalahan. Salah satu metode yang digunakan adalah Transfer learning dengan menggunakan algoritma Convolutional Neural Network (CNN) beserta arsitektur Xception, Inceptionv3, dan MobileNet. Transfer learning adalah sebuah metode Machine Learning yang bekerja dengan cara meniru sistem kerja otak manusia, sistem ini disebut Neural Network. CNN merupakan salah satu jenis Neural Network yang fungsi utamanya digunakan untuk data citra. Penelitian dilakukan dengan 1200 data citra X-ray Covid-19 yang dibagi menjadi 3 kelas dengan 400 data citra untuk setiap kategori. Hasil terbaik dari semua model arsitektur yang dicoba adalah Xception mendapatkan akurasi training sebesar 96% dan akurasi validation sebesar 97%. Untuk model MobileNet mendapatkan akurasi training adalah 97% dan akurasi validation adalah 93%. Dan model InceptionV3 memiliki hasil yang paling rendah dibandingkan kedua arsitektur lainnya yaitu akurasi training sebesar 95% dan akurasi validation 93%.
Source: Hasanuddin University Repository
Author: Masykuri, Ramdan
Language: Indonesian
Topic: COVID-19 diagnosis using AI
Subfield: Radiology, Nuclear Medicine and Imaging
Field: Medicine
Domain: Health Sciences
Open Access status: green
Funder: Universitas Hasanuddin
OpenAlex ID: W7217499254