OLAH CITRA RONTGEN UNTUK DETEKSI PENYAKIT 
PARU-PARU MENGGUNAKAN METODE CONTRAST 
LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DAN 
CONVOLUTIONAL NEURAL NETWORK

ELBERT ALFREDO

Informasi Umum

Kode

22.04.1125

Klasifikasi

621.367 - Technological photography and photo-optics, Spectrography, Stroboscopic photography, Image processing, Optical data processing

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Image Processing - Computer Image

Dilihat

226 kali

Informasi Lainnya

Abstraksi

Virus Sars-Cov-2 merupakan virus penyebab penyakit pneumonia, atau akrab yang disebut dengan penyakit Covid-19. Penyakit ini mengganggu paru – paru yang menyebabkan organ penapasan menjadi terganggu dan proses pertukaran oksigen tidak dapat berjalan dengan baik. Bisa dibilang sangatlah sulit untuk dapat membedakan siapa yang telah terdampak positif Covid-19 dan tidak karena gejala yang diderita sangatlah umum. Apalagi karena adanya Viral Pneumonia yang memiliki gejala yang hampir sama dengan Covid-19 dan bahkan untuk hasil XRaynya pun bisa dibilang sangatlah sulit untuk dibedakan secara kasat mata. Saat ini hasil diagnosa yang paling akurat adalah dengan melakukan Rontgen dada dan mendapatkan hasil X-Ray paru-paru pasien, tetapi dalam melakukan deteksi dari hasil X-Ray biasanya dokter masih melakukannya secara manual. Dengan semakin banyaknya penderita dari Covid-19 dari waktu ke waktu maka akan memerlukan waktu yang banyak dan juga kemungkinan dari hasil prediksi tersebut bisa saja salah. Penelitian Tugas Akhir ini bertujuan untuk membuat sistem yang dapat digunakan untuk mendeteksi penyebaran Covid-19 melalui hasil X-Ray dengan waktu yang lebih singkat, lebih akurat, efektif dan juga efisien dengan menggunakan metode Contrast Limited Adaptive Histogram Equalization (CLAHE) dan juga metode Convolutional Neural Network (CNN). Pada penelitian kali ini dataset yang digunakan didapatkan dari COVID19RadiographyDataset dengan total data sebanyak 8.575 citra X-Ray penyakit paru-paru yang terbagi kedalam tiga kelas. Dalam proses uji coba, data tersebut dibagi lagi menjadi 75% data latih dan 25% lagi sebagai data uji. Untuk arsitektur CNN yang digunakan pada penelitian ini adalah arsitektur AlexNet. Kemudian dilakukan juga beberapa skenario pengujian guna mencari hyperparameter terbaik. Ketika menggunakan dataset asli, hasil hyperparameter terbaik yang didapatkan adalah epoch 50, learning rate 0,001, batch size 32 dan optimizer adamax. Akurasi yang didapat ketika menggunakan hyperparameter terbaik ini mendapatkan akurasi sebesar 91,11% dan nilai loss sebesar 3.0645. Kemudian hasil setelah dilakukannya pre- processing menggunakan CLAHE terlebih dahulu, nilai hyperparameter terbaik yang didapatkan adalah epoch 50, learning rate 0,0001, batch size 64 dan optimizer adamax. Akurasi yang didapat ketika menggunakan hyperparameter terbaik ini adalah sebesar 89.39% dengan loss 0,5252.