Pengaruh Dataset terhadap Performa Convolutional Neural Network pada Klasifikasi X-Ray Pasien Covid-19
DOI:
https://doi.org/10.25126/jtiik.2022965645Abstrak
Identifikasi pasien COVID-19 di Indonesia merupakan sebuah permasalahan yang harus diatasi. Identifikasi tersebut sebaiknya bisa lebih mudah dan cepat, sehingga deteksi dini pasien COVID-19 merupakan hal yang harus diperhatikan. Saat ini deteksi pasien COVID-19 bergantung pada Swab Test (RT-PCR) dan Rapid Test (Tes Antibodi), padahal Rapid Test tidak bisa memberikan tingkat akurasi yang tinggi sedangkan Swab Test memiliki biaya yang mahal. Salah satu solusi untuk membantu deteksi dini pasien COVID-19 adalah dengan memanfaatkan citra X-Ray paru dari pasien. Algoritma Convolutional Neural Network (CNN) adalah salah satu algoritma popular dengan performa yang sangat baik pada klasifikasi citra X-Ray pasien COVID-19. Walaupun CNN memiliki performa yang baik, keberhasilan suatu algoritma sangat bergantung dengan kualitas dataset yang digunakan. Selain itu citra X-Ray sangat bergantung terhadap pencahayaan di proses pengambilan gambar. Untuk itu perlu analisa pengaruh dataset terhadap performa model CNN yang digunakan. Penelitian ini bertujuan untuk melihat pengaruh kualitas dataset dan jumlah dataset terhadap performa CNN pada klasifikasi X-Ray pasien COVID-19. Dari eksperimen yang dilakukan terhadap dataset yang ada, CNN dapat mencapai akurasi sebesar 89,83%, sensitivitas sebesar 84,14%, spesifisitas sebesar 92,14%, PPV sebesar 71,35%, NPV sebesar 95,09 dan F1-score sebesar 76,10%. Sehingga dapat disimpulkan bahwa CNN memiliki performa yang baik dalam melakukan klasifikasi citra X-Ray pasien COVID-19, meskipun hasil tersebut lebih rendah dibandingkan dengan performa CNN terhadap dataset dengan jumlah dan kualitas citra yang lebih baik. Hal tersebut menunjukkan bahwa kualitas dan jumlah dataset sangat berpengaruh pada performa CNN dalam melakukan proses klasifikasi X-Ray.
Downloads
Referensi
ALLAOUZI, I. & AHMED, M. BEN. 2019. A Novel Approach for Multi-Label Chest X-Ray Classification of Common Thorax Diseases. IEEE Access, 7, pp. 64279–64288. doi: 10.1109/ACCESS.2019.2916849.
CHEN, N, dkk. 2020. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. The Lancet, 395(10223), pp. 507–513. doi: 10.1016/S0140-6736(20)30211-7.
COHEN, J. P. 2021. Covid Chestxray Dataset’, github.com. github.com. Available at: https://github.com/ieee8023/covid-chestxray-dataset.
CRUZ, B. G. S., dkk . 2021. Public Covid-19 X-ray datasets and their impact on model bias – A systematic review of a significant problem. Medical Image Analysis, 74, p. 102225. doi: 10.1016/j.media.2021.102225.
DURAN-LOPEZ, L.dkk. 2020. COVID-XNet: A custom deep learning system to diagnose and locate COVID-19 in chest x-ray images. Applied Sciences (Switzerland), 10(16), pp. 1–13. doi: 10.3390/app10165683.
FLETCHER, R. H. & FLETCHER, S. W. 2005 Clinical epidemiology : the essentials. 4th edn. Philadelphia: Lippincott Williams & Wilkins.
HARTATO, B. P. 2021. Penerapan Convolutional Neural Network pada Citra Rontgen Paru-Paru untuk Deteksi SARS-Cov-2. JURNAL RESTI : Rekayasa Sistem dan Teknologi Informasi, 5(10), pp. 747–759. doi: https://doi.org/10.29207/resti.v5i4.3153.
HRIYANI, Y. S., HADIYOSO, S. & SIADARI, T. S. 2020. Deteksi Penyakit Covid-19 Berdasarkan Citra X-Ray Menggunakan Deep Residual Network. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 8(2), pp. 443–453. doi: http://dx.doi.org/10.26760/elkomika.v8i2.443.
HUSSAIN, E., dkk. 2020. CoroDet: A deep learning based classification for COVID-19 detection using chest X-ray images. Chaos, Solitons & Fractals, (xxxx), p. 110495. doi: 10.1016/j.chaos.2020.110495.
ISLAM, M. Z., ISLAM, M. M. & ASRAF, A. 2020. A combined deep CNN-LSTM network for the detection of novel coronavirus (COVID-19) using X-ray images. Informatics in Medicine Unlocked, 20, pp. 1–20. doi: 10.1016/j.imu.2020.100412.
KASSANI, S. H. dkk. 2020. Automatic detection of coronavirus disease (COVID-19) in X-ray and CT images: A machine learning based approach’, arXiv, pp. 1–18. Available at: https://www.researchgate.net/publication/340859631_Automatic_Detection_of_Coronavirus_Disease_COVID-19_in_X-
ray_and_CT_Images_A_Machine_Learning-Based_Approach.
KHOIRO, M. & BUSTOMI, M. A. 2014. Analisa Pengaruh Proses Segmentasi Citra terhadap Klasifikasi Citra Rontgen Paru-Paru dengan JST Backpropagation. Jurnal Sains dan Seni Pomits, 3(1), pp. 1–4.
MOHER, D. dkk. 2009. Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. BMJ (Online), 339(7716), pp. 332–336. doi: 10.1136/bmj.b2535.
RAHMAN, T., CHOWDHURY, D. M. & KHANDAKAR, A. 2020. COVID-19 Radiography Database. Available at: https://www.kaggle.com/tawsifurrahman/covid19-radiography-database.
TABIK, S., dkk. 2020. COVIDGR Dataset and COVID-SDNet Methodology for Predicting COVID-19 Based on Chest X-ray Images. arXiv, 24(12), pp. 3595–3605. doi: 10.1109/JBHI.2020.3037127.
WATRATAN, A. F. B., PUSPITA, A. & MOEIS, D. 2020. Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia. Journal of Applied Computer Science and Technology ( Jacost ), 1(1), pp. 7–14. doi: https://doi.org/10.52158/jacost.v1i1.9.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
