BINARY CLASSIFICATION COVID-19 MENGGUNAKAN MODEL CONVOLUTIONAL NEURAL NETWORK VGG16 PADA CITRA RADIOGRAFI THORAKS

Abstract

Infeksi Corona Virus Disease 2019 (COVID-19) adalah penyakit menular yang menjadi masalah kesehatan masyarakat secara global. Diagnosis melalui citra radiografi dapat mengidentifikasi kasus COVID-19 untuk memerangi virus tersebut. Tidak seperti jumlah kasus COVID-19 yang semakin meningkat, waktu peninjauan kasus sangatlah terbatas. Selain itu, beban kerja dan stress berlebihan pada tenaga medis khusunya radiologist dapat menyebabkan kesalahan analisis citra (missed findings). Oleh karena itu, auto-deteksi infeksi COVID-19 berbasis deep learning sangatlah diperlukan untuk menganalisis citra X-ray secara cepat dan efisien. Penelitian ini bertujuan untuk menganalisis kinerja model CNN dalam binary classification pada citra radiografi. Untuk menemukan model yang paling cocok untuk tugas klasifikasi, model CNN VGG16 pra-latih diuji coba dengan dua pendekatan: tanpa dan dengan transfer learning. Sejumlah 800 citra telah digunakan dan dibagi menjadi 3 bagian, 80% citra untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Berdasarkan hasil penelitian, model VGG16 dengan transfer learning memperoleh nilai akurasi tertinggi sebesar 93,7% untuk klasifikasi kasus COVID-19 dan normal. Informasi tersebut menunjukkan bahwa model yang diusulkan pada penelitian ini yaitu model transfer learning VGG16 sangat efektif dalam mengenali kasus kelas biner menggunakan citra X-ray thoraks. Dengan demikian, penerapan model tersebut dapat memberikan manfaat serta kontribusi dalam diagnosis secara cepat dan akurat, membantu mengurangi beban kerja radiologis, dan meningkatkan efisiensi penanganan pasien.