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.