Analisis Perbandingan Algoritma Klasifikasi Citra Chest X-ray Untuk Deteksi Covid-19
DOI:
https://doi.org/10.34148/teknika.v10i2.331Keywords:
CNN, SVM, KNN, Chest X-ray, Covid-19Abstract
Kondisi pandemi global Covid-19 yang muncul diakhir tahun 2019 telah menjadi permasalahan utama seluruh negara di dunia. Covid-19 merupakan virus yang menyerang organ paru-paru dan dapat mengakibatkan kematian. Pasien Covid-19 banyak yang telah dirawat di rumah sakit sehingga terdapat data citra chest X-ray paru-paru pasien yang terjangkit Covid-19. Saat ini sudah banyak peneltian yang melakukan klasifikasi citra chest X-ray menggunakan Convolutional Neural Network (CNN) untuk membedakan paru-paru sehat, terinfeksi covid-19, dan penyakit paru-paru lainnya, namun belum ada penelitian yang mencoba membandingkan performa algoritma CNN dan machine learning klasik seperti Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN) untuk mengetahui gap performa dan waktu eksekusi yang dibutuhkan. Penelitian ini bertujuan untuk membandingkan performa dan waktu eksekusi algoritma klasifikasi K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan CNN untuk mendeteksi Covid-19 berdasarkan citra chest X-Ray. Berdasarkan hasil pengujian menggunakan 5 Cross Validation, CNN merupakan algoritma yang memiliki rata-rata performa terbaik yaitu akurasi 0,9591, precision 0,9592, recall 0,9591, dan F1 Score 0,959 dengan waktu eksekusi rata-rata sebesar 3102,562 detik.
Downloads
References
Worldometers. (2021). Coronavirus Update (Live): 86,248,818 Cases and 1,863,861 Deaths from COVID-19 Virus Pandemic - Worldometer. Diakses dari: https://www.worldometers.info/coronavirus/ pada tanggal 5 Januari 2021.
Shi, H., et.al. (2020). Radiological Findings From 81 Patients With COVID-19 Pneumonia in Wuhan, China: a Descriptive Study. Lancet Infectious Diseases, Vol. 20(4), pp. 425—434. DOI: 10.1016/S1473-3099(20)30086-4.
Islam, N., et.al. (2020). Thoracic Imaging Tests for the Diagnosis of COVID-19. Cochrane Database of Systematic Reviews. DOI: 10.1002/14651858.CD013639.pub4.
Yasin, R. & Gouda, W. (2020). Chest X-ray Findings Monitoring COVID-19 Disease Course and Severity. Egyptian Journal of Radiology and Nuclear Medicine, vol. 51. DOI: 10.1186/s43055-020-00296-x.
Gao, T. (2020). Chest X-ray Image Analysis and Classification for COVID-19 Pneumonia Detection Using Deep CNN. medRxiv, DOI: 10.1101/2020.08.20.20178913.
Abbas, A., Abdelsamea, M.M. & Gaber, M.M. (2020). Classification of COVID-19 in Chest X-ray Images Using DeTraC Deep Convolutional Neural Network. Artificial Intelligence Applications for COVID-19, Detection, Control, Prediction, and Diagnosis. DOI: 10.1007/s10489-020-01829-7.
Deng, X., Shao, H., Shi, L., Wang, X. & Xie, T. (2020). A Classification—detection Approach of COVID-19 Based on Chest X-ray and CT by Using Keras Pre-trained Deep Learning Models. Computer Modeling in Engineering & Sciences, Vol. 125(2), pp. 579—596. DOI: 10.32604/cmes.2020.011920.
Rahman, T. (2020). COVID-19 Radiography Database. Dakses dari: https://www.kaggle.com/tawsifurrahman/covid19-radiography-database pada tanggal 7 Januari 2021.
Chollet, F. (2020). Keras: the Python Deep Learning API. Keras: the Python Deep Learning API. Diakses dari https://keras.io/ pada tanggal 18 Desember 2020.
Goldman, R.N. (1991). More Matrices and Transformations: Shear and Pseudo-perspective. Graphics Gems II, pp. 338—341.
Gonzalez, T.F. (2007). Handbook of Approximation Algorithms and Metaheuristics. DOI: 10.1201/9781420010749.
Simonyan, K. & Zisserman, A. (2015). Very Deep Convolutional Networks for Large-scale Image Recognition. International Conference on Learning Representations (ICLR 2015).
Szegedy, C., et.al. (2015). Going Deeper with Convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1—9. DOI: 10.1109/CVPR.2015.7298594.
Zeiler, M.D. & Fergus, R. (2014). Visualizing and Understanding Convolutional Networks. Lecture Notes in Computer Science, vol. 8689, pp. 818—833. DOI: 10.1007/978-3-319-10590-1_53.
He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770—778. DOI: 10.1109/CVPR.2016.90.
