PENGGUNAAN ARSITEKTUR DEEP LEARNING SEBAGAI SALAH SATU UPAYA PELATIHAN DETEKSI COVID-19 DARI CITRA CT-SCAN

Abstract

Novel Corona Virus (COVID-19) yang lebih dikenal dengan nama Corona Virus adalah jenis baru dari coronavirus yang menular dari manusia ke manusia. Sejauh ini, setiap praktisi kesehatan memerlukan waktu rata-rata 15-20 menit untuk melakukan proses deteksi COVID-19. Hal tersebut menjadi kegiatan yang melelahkan apabila dilakukan secara masif. Untuk itu, dilakukan penelitian ini berguna untuk merancang suatu algoritma yang mampu memberikan pelatihan dalam melakukan pendeteksian COVID-19 secara otomatis. Algoritma deteksi COVID-19 yang diusulkan dirancang dengan mengkombinasikan berbagai bidang ilmu, khususnya radiologi dan computer vision. Bidang radiologi diperlukan untuk menggambarkan kondisi paru-paru seseorang melalui pencitraan Computed Tomography (CT scan) sedangkan bidang computer vision, khususnya deep learning digunakan untuk mengolah citra hasil CT scan dan mendapatkan hasil deteksi paparan COVID-19 pada subjek yang diperiksa. Citra yang dimaksud tersebut telah ditentukan citra CTScan yang telah diperoleh dari data sekunder, yaitu situs Kaggle.com. Citra-citra itu telah terbagi sebelumnya menjadi dua kelas, yaitu normal dan Covid-19. Pada penelitian ini telah diimplementasikan model deep learning DenseNet-121 pada citra CT-Scan sebagai media pendeteksi COVID-19 melalui beberapa tahap, yakni akuisisi citra CT-Scan, pelatihan model DenseNet-121 menggunakan citra CT-Scan dari set pelatihan. Hasil pelatihan dinilai cukup baik sebab trategi stratified random sampling membantu model DenseNet-121 untuk mempelajari ciri dan mengklasifikasikan citra CT-Scan paru ke kelas yang COVID-19 dan non-COVID-19. Kedua, penerapan berbagai strategi pada proses pelatihan yang telah dijelaskan sebelumnya mampu membuat model DenseNet-121 memiliki tingkat generalisasi yang sangat baik.