Klasifikasi Citra Rontgen Covid-19 dengan menggunakan Deep Learning
DOI:
https://doi.org/10.26418/justin.v11i3.61111Keywords:
Deep Learning, VGG16, bottleneck, PlaidML, Deep Learning menggunakan AMDAbstract
Citra adalah representasi dari suatu obyek yang ditulis ulang pada suatu medium dengan nilai tertentu (intensitas) yang memiliki koordinat x dan y. Citra Rontgent merupakan salah satu jenis citra medis yang dapat digunakan untuk mendeteksi dan mempelajari suatu penyakit. Namun citra rontgen terkadang terlihat kabur sehingga sedikit sulit untuk mengintepretasi citra. Terlebih lagi adanya redaman sinar-X yang berbeda antara kelenjar pada jaringan yang normal dengan yang terpapar penyakit. Dengan mengimplementasikan deep learning dengan metode klasifikasi citra dapat memilah gambar berdasarkan ekstrasi fitur dan bobot pada jaringan syaraf tiruan. Ketika GPU yang dimiliki adalah AMD, salah satu cara agar dapat menjalankan Deep Learning menggunakan AMD adalah mnggunakan PlaidML.
Tahapan yang dilakukan pada pelatihan dan pengujian adalah melakukan pre-procesessing, ektraksi fitur menggunakan lapisan JST VGG16 tanpa lapisan pengklasifikasi (konvolusi dan pooling) yang menghasilkan bottleneck.npy, kemudian membuat lapisan pengklasifikasi sendiri untuk melatih klasifikasi kelas covid dan normal menggunakan data bottleneck.npy. Tingkat akurasi yang diperoleh pada tahap pelatihan beserta validasi pada pelatihan, dan pengujian berturut-turut adalah 99%, 97%, dan 94%. Selanjutnya ketika dievaluasi dengan F1 Score mendapatkan hasil 0,939.
References
Nuraini, Ratna. “Kasus Covid-19 Pertama, Masyarakat Jangan Panikâ€. https://indonesia.go.id/narasi/indonesia-dalam-angka/ekonomi/kasus-covid-19-pertama-masyarakat-jangan-panik diakses pada 20 Februari 2021
Tim Komunikasi Komite Penanganan Corona Virus Disease 2019 (COVID-19) dan Pemulihan Ekonomi Nasional. 2021. “Kesembuhan COVID-19 Terus Meningkat Menjadi 1.160.863 Orangâ€. https://covid19.go.id/p/berita/kesembuhan-covid-19-terus-meningkat-menjadi-1160863-orang Diakses pada 21 Maret 2021
Mutiara, Puput. 2021. “Pemerintah Larang Mudik Lebaran 2021â€. https://www.kemenkopmk.go.id/pemerintah-larang-mudik-lebaran-2021. diakses 30 Mar, 2021
Dartamasia, 2020. “Deteksi Penggunaan Masker menggunakan Xception Tansfer Learningâ€. Jurnal INSTEK (Informatika Sains dan Teknologi) Volume 5 Nomor. 2, Oktober 2020 P –ISSN: 2541-1179, E-ISSN : 2581-1711
Acharya, Tinku dan Ray, Ajoy K. “Image Processing: Principle and Applicationsâ€. New Jersey: John Wiley & Sons, Inc., Hoboken, Canada: simultaneously, ISBN-13 978-0-471-71998-4 (cloth: alk. paper) ISBN-10 0-471-71998-6 (cloth: alk. paper) 2015.
Petrou, Maria dan Bosdogianni, Panagiota.. “Image Processing: The Fundamentalsâ€. Singapore: JOHN WILEY & SONS, LTD, ISBN 0-471-99883-4 1999.
Pereira, Rodolfo M. et al. “COVID-19 identification in chest X-ray images on flat and hierarchical classification scenariosâ€. Computer Methods and Programs in Biomedicine 194 (2020) 105532. https://doi.org/10.1016/j.cmpb.2020.105532
Moolayil, Jojo John. “Learn Keras for Deep Neural Networksâ€. Canada: Apress. ISBN-13 (pbk): 978-1-4842-4239-1 ISBN-13 (electronic): 978-1-4842-4240-7 https://doi.org/10.1007/978-1-4842-4240-7, 2016
Chollet, Francois. “Deep Learning with Pythonâ€. Shelter Island: Manning. ISBN 9781617294433, 2017.
Chollet, Francois. “Building powerful image classification models using very little dataâ€. 2016. https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html diakses 25 Juni 2021
Kementerian Kesehatan., “Pertanyaan dan Jawaban Terkait Covid-19â€. https://www.kemkes.go.id/article/view/20031600011/pertanyaan-dan-jawaban-terkait-covid-19.html diakses pada 01 Apil 2021
WHO. 2020. “Archived: WHO Timeline - COVID-19â€. https://www.who.int/news/item/27-04-2020-who-timeline---covid-19 diakses pada 30 April 2021.
Wulandri, Putri,. “Klasifikasi Tingkat Keganasan Kanker Serviks Menggunakan Metode Deep Residual Network (ResNet)â€. Skripsi. UIN Sunan Ampel Surabaya. 2019.
Amalia, Kurnia Rizky. “Implementasi Metode Alpha Trimmed Mean Filter Menggunakan OpenCL untuk Penghapusan Noise pada Citra Berwarnaâ€. Skripsi. UIN Malik Ibrahim Malang. 2016.
S. -m. Yoo et al., "Structure of Deep Learning Inference Engines for Embedded Systems," International Conference on Information and Communication Technology Convergence (ICTC), Jeju, Korea (South), 2019, pp. 920-922, doi: 10.1109/ICTC46691.2019.8939843.
Rahmadewi, Reni, dkk. “Klasifikasi Penyakit Paru Berdasarkan Citra Rontgen dengan Metode Segmentasi Sobelâ€. Jurnal Teknik Elektro Vol. 5 No. 1 Maret 2016. ISSN: 2302 – 2949. DOI: 10.20449/jnte.v5i1.174
Yudistira, Novanto, dkk. “Deteksi Covid-19 Citra Sinar-X Dada Menggunakan Deep Learning yang Efisienâ€. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIK) Vol. 7 No. 6 hlm. 1289-1296. e-ISSN: 2528-6579. 2020 DOI: 10.25126/jtiik.202073651
Clara, Serafim, dkk. “Implementasi Seleksi Fitur Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Penghasilan Pada Adult Income Datasetâ€. Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA) Hal. 741-747. e-ISBN 978-623-93343-3-8, 2021.
Dewi, Ni Luh Gede M.U., “Analisis Perbandingan Filter Median, Filter Maksimum-Minimum dan Filter Rerata menggunakan Citra Rontgent Paruâ€. Skripsi. Universitas Respati Yogyakarta.
Gulli, Antonio dan Sujit pal. “Deep Learning with Kerasâ€. Birmingham: Published by Packt Publishing Ltd. ISBN 978-1-78712-842-2, 2017.
Rafael C. Gonzales dan Richard E. Woods. “Digital Image Processingâ€. New Jersey: Prentice-Hall dan Tom Robbins ISBN 0-201-18075-8, 2002.
Wani, M. Arif, et al. “Advances in Deep Learningâ€. Studies in big data vol. 57. Singapura: MetaPress dan Springerlink. ISBN 978-981-13-6794-6, 2020
Shafira, Tiara. “Implementasi Convolutional Neural Networks untuk Klasifikasi Citra Tomat Menggunakan Kerasâ€. Tugas Akhir. UII, 2018
Anonim. “About Kerasâ€. https://keras.io/about/ diakses tanggal 16 Februari 2021
Anonim, “A platform for making deep learning work everywhereâ€. https://plaidml.github.io/plaidml/ diakses pada 20 Februari 2021
Anonim, “Memahami Perbedaan PCR, Rapid Test Antigen, dan Rapid Test Antibodi dalam Pemeriksaan COVID-19â€. https://www.alodokter.com/memahami-perbedaan-pcr-rapid-test-antigen-dan-rapid-test-antibodi-dalam-pemeriksaan-covid-19 diakses pada 25 Februari 2021
Anonim, “Keras Applicationâ€. https://keras.io/api/applications/ diakses pada 29 Maret 2021.
F. Chollet. 2017."Xception: Deep Learning with Depthwise Separable Convolutions," IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 1800-1807, doi: 10.1109/CVPR.2017.195.
Downloads
Additional Files
Published
Issue
Section
License
Copyright (c) 2023 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
