Disusun oleh:
Nama : Buyut Khoirul Umri
NIM : 19.52.1212
Konsentrasi : Informatics Technopreneurship
ii
1. LATAR BELAKANG MASALAH
yang serius bagi seluruh dunia. Coronavirus merupakan keluarga besar dari virus
pertama kali di kota Wuhan, Cina pada Desember 2019 dan saat ini menyeber
Saat ini sudah mencapai 16.000 total kasus yang dikonfirmasi positif
Penyebaran virus yang luar biasa cepat membuat masyarakat resah dan terus
waspada terdahap penyebaran Covid-19 ini. Selain itu Rumah Sakit juga
mengalami tantangan yang sangat besar, mulai dari APD yang sedikit hingga
Tes Covid-19 saat ini merupakan tugas yang sulit karena tidak tersedia
sel-sel epitel yang melapisi saluran pernapasan kita, maka kita dapat
setiap Rumah Sakit memiliki mesin pencitraan X-ray, jadi dapat dimanfaatkan
1
Chest X-ray (CXR) merupakan alat yang penting untuk mendiagnosis
radiologisnya. Biaya yang dibutuhkan relatif murah jika dibandingkan dengan tes
kit yang digunakan Rumah Sakit saat ini. Mesin X-ray juga digunakan untuk
mendeteksi tubuh yang mengalami patah tulang, dislokasi tulang, infeksi paru-
paru, radang paru-paru dan tumor. Menggunakan X-ray adalah metode yang lebih
Dalam keadaan pandemi Covid-19 saat ini, data merupakan langkah awal
terus menyebar. Sementara itu ada dataset yang sangat besar dan bersifat publik
tentang chest X-ray (Wang, 2017; Bustos, 2019; Irvin, 2019; Johnson, 2019;
Demner-Fushman, 2016), tetapi tidak ada koleksi chest X-ray image dari pasien
Covid-19 atau CT scan yang dirancang untuk analisis komputasi (Cohen, 2020).
pneumonia dengan chest X-ray atau CT scan, kasus Covid-19 serta MERS, SARS
dan ARDS.
yang baik dari hasil Chest X-ray, salah satu faktor yang mempengaruhi yaitu
kontras dari gambar dan untuk memperbaiki kontras salah satunya dapat
pemetaan agar histogram terdistibusi secara merata. Metode ini berusaha untuk
2
menyesuaikan citra untuk membuatnya lebih mudah dalam menganalisis atau
dalam bidang medis. Umumnya citra radiograf masih tampak kabur sehingga
tersebut (Akhlis, 2011). Sebuah perangkat lunak pengolah citra digital telah
digital dari foto X-ray dengan baik, perlu alat scan yang baik kualitasnya,
sehingga citra yang dihasilkan dapat jelas sesuai dengan aslinya. Perlu
dikembangkan lagi peningkatan kontras citra dengan metode yang lain. Hal ini
dikarenakan tidak semua citra dapat ditangani dengan baik hanya oleh satu
batas tulang rusuk dan telah menggunakan otsu tresholding untuk memisahkan
cloud.
agar mudah diinterpretasi oleh manusia atau mesin (Riadi, 2017). Terdapat
yang tidak terlihat (hidden feature) pada citra. Hasil citra dari X-ray yang tidak
3
selalu memiliki kualitas citra yang baik, seperti halnya hasil citra X-ray yang
terlalu gelap atau ada bagian tulang yang terlihat samar sehingga gambar tidak
citra medis tersebut dan juga menunjukkan kinerja hasil pengukuran kontrol eror
Equalization (AHE).
serta pengukuran statistik menggunakan CII, SNR dan RMSE. Motode yang
berkontribusi pada penampilan gambar yang lebih baik, oleh karena itu
Histogram Equalization (AHE) pada hasil pencarian citra. Kedua metode ini
merupakan bagian dari pra-proses citra. Proses ekstraksi fitur citra menggunakan
fitur tekstur: mean, deviasi standar, entropi, energy, kontras, dan homogenitas.
Pencarian citra dikerjakan dengan cara mencari fitur citra terdekat yang dimiliki
oleh citra query dan data citra dengan menghitung jarak Euclidean. Hasil
4
percobaan menggunakan 30 buah citra query dan 80 buah data citra menunjukan
(AHE) memberikan hasil pencarian citra sedikit lebih baik yaitu 53,33%,
terakhir karena sangat cocok untuk memproses data dalam jumlah yang besar.
CNN merupahan jenis neural network yang sering digunakan dalam data gambar
dan sering digunakan dalam mendeteksi dan mengenali object pada sebuah
gambar yang dapat mengungguli metode lama dalam tugas computer vision dan
(Jmour dkk., 2018), image segmentation (Liao dkk., 2019), dan text recognition
(Liu, 2016).
pneumonia pada chest X-ray image. Untuk mendeteksi pneumonia dengan tepat
fitur dari gambar X-ray dan melakukan klasifikasi gambar untuk mendapatkan
hasil deteksi pneumonia. Peneliti mengusulkan dua arsitektur CNN yang sudah
dirancang sejak awal untuk mendeteksi pneumonia dari gambar chest X-ray serta
dataset gabungan dari Labeled Optical Coherence Tomography (OCT) dan Chest
5
X-ray Images (CXR) menggunakan arsitektur CNN terbukti efisien dengan
yang baik pada deteksi Pneumonia menggunakan X-ray image. Pada masa
pandemic seperti saat ini penelitian yang dilakukan dalam mendeteksi Covid-19
satunya penelitian yang dilakukan (Narin, 2020) tentang deteksi otomatis Covid-
dari ketiga Model CNN tersebut menunjukkan bahwa ResNet50 dapat mendeteksi
dengan delapan model lainnya yang diterapkan. Model klasifikasi yang diusulkan
untuk deteksi COVID-19 mencapai akurasi 95,38%. Selain itu Hemdan (2020)
6
Mendeteksi Covid-19 lebih awal dapat membantu merancang rencana
perawatan yang tepat dan keputusan penahanan penyakit (Horry, 2020). Dalam
beberapa keluarga model deep learning yang populer dan banyak tersedia seperti
model-model ini untuk dataset yang tersedia saat ini dan menunjukkan bahwa
model dengan jaringan yang lebih sederhana seperti VGG19 berkinerja relatif
chest X-ray yang akan diolah. Performa yang terbukti lebih unggul dalam
penerapannya pada gambar X-ray akan dicoba dalam mendeteksi penyakit Covid-
19. Selain itu peneliti menggunakan metode Convolutional Neural Netork (CNN)
karena pada beberapa penelitian yang telah dilakukan dihasilkan bahwa metode
CNN tersebut mempunyai performa yang tinggi dalam dalam mendeteksi penyakit
pneumonia atau Covid-19 saat ini, sedangkan pada model transfer learning
7
Dataset yang digunakan adalah 300 gambar Chest X-ray yang terdiri dari 100
gambar penderita Covid-19, 100 gambar penderita pneumonia non-Covid dan 100
github dan kaggle. Hasil akhir dari penelitian adalah melihat apakah ada pengaruh
Covid-19 pada chest X-ray image serta melakukan perbandingan hasil akurasi dari
kedua algoritma CLAHE dan AHE dalam peningkatan citra untuk mendeteksi
2. RUMUSAN MASALAH
Neural Networks (CNN) dalam mendeteksi Covid-19 pada chest X-ray image?
8
3. BATASAN MASALAH
menggunakan CNN dengan dataset yang digunakan adalah 300 gambar chest
X-ray yang terdiri dari 100 gambar penderita Covid-19, 100 gambar penderita
https://github.com/ieee8023/covid-chestxray-dataset dan
https://www.kaggle.com/andrewmvd/convid19-X-rays
akurasi lebih unggul daripada model CNN lain dalam deteksi Covid-19.
yang dilakukan pada metode CNN dan tingkat akurasi dalam perbandingan
4. TUJUAN PENELITIAN
(AHE) pada tahap peningkatan kualitas citra yang terapkan pada metode
9
b. Membandingkan akurasi dari algoritma CLAHE dan AHE pada peningkatan
kualitas citra.
5. MANFAAT PENELITIAN
6. TINJAUAN PUSTAKA
akan penulis lakukan serta untuk menghindari terjadinya duplikasi yang dilakukan
yang penulis lakukan sangatlah bermanfaat dan memiliki arti penting sebagai
ulasan jurnal tentang penelitian terdahulu berkenaan dengan data dan metode yang
chest X-ray pasien Covid-19, pneumonia dan chest X-ray normal yang dapat
diakses oleh publik sehingga penulis tertarik untuk melakukan penelitian terkait
10
dengan ide tentang memanfaatkan chest X-ray image untuk mendeteksi penyakit
yang ditunjukkan oleh mesin, berbeda dengan kecerdasan alami yang ditampilkan
dengan pikiran manusia, seperti "belajar" dan "pemecahan masalah". Tidak seperti
ekstraksi dari input, metode deep learning mempelajari fitur-fitur ini langsung
dari data. Algoritma yang paling mapan di antara berbagai model deep learning
adalah convolutional neural networks (CNN), kelas jaringan saraf tiruan yang
yaitu 2000 chest X-ray image digunakan dalam penelitian ini dengan pembagian
1000 adalah normal dan 1000 dengan pneumonia Hasil dari pengujian yang
diterapkan yaitu Inception V3, VGG16, VGG19 dan SqueezeNet dilakukan pada
400 gambar yang dijauhkan dari rangkaian pelatihan. Metode terbaik yaitu
11
VGG19 dengan sensitivitas 84%, spesifisitas 83%, nilai prediksi positif 83%, nilai
paru-paru. Diagnosis melibatkan chest X-ray yang ditafsirkan oleh ahli radiologi.
ketersediaan tenaga ahli, biaya, dll (Labhane, 2020). Dalam penelitian yang
dilakukan oleh tentang deteksi pneumonia melalui gambar chest X-ray, peneliti
VGG16, VGG19, dan Inception V3. Model kemudian dilatih pada dataset
pneumonia pediatrik yang terdiri dari 2992 chest X-ray pneumonia dan 2972 chest
X-ray dada normal. Hasilnya kemudian diuji menggunakan 854 pneumonia dan
849 gambar normal. Model yang diusulkan dalam penelitian ini telah
mendapatkan hasil yang maksimal dengan akurasi lebih dari 97% pada semua
model yang diterapkan. Selain itu peneliti juga membandingkan dengan penelitian
menggunakan dataset yang besar. Dalam keterbatasan gambar chest X-ray pasien
jumlah dataset yang digunakan banyak dan mendapatkan akurasi yang maksimal.
12
Dataset yang digunakan yaitu berisi gambar pneumonia, gambar Covid-19 dan
gambar normal. Hasil yang bagus diperoleh dengan akurasi, sensitivitas, dan
spesifisitas terbaik adalah 96.78%, 98.33%, dan 96.46% dengan model MobileNet
V2 dan disusul oleh VGG19 yang memiliki akurasi terbaik yaitu 98.75.
kualitas citra.
segmentasi yang baik, terutama untuk image X-ray. Pembesaran kontras dan
Karya ini bertujuan untuk membandingkan dan mengukur ketepatan dan akurasi
13
CLAHE mendapatkan akurasi terbaik. Karena akurasi mengukur deteksi yang
benar, baik positif atau negatif, ini adalah metrik kinerja yang paling cocok untuk
pasien. X-ray adalah langkah pertama dalam proses diagnosis dengan metode
lebih tepat. Pada penelitian ini (Attia, 2017) berfokus pada evaluasi kinerja
berbagai teknik image enhancement yang diterapkan pada gambar X-ray gigi.
ambar dihitung untuk membandingkan antara gambar input dan gambar keluar
dari tiga metode tambahan: imadjust, histogram equalization (HE) dan contrast
gigi dipilih untuk menerapkan teknik ini pada mereka. Gambar-gambar x-ray pada
umumnya-rendah dalam kontras dan dosis radiasi. Kehilangan kualitas gambar ini
(MAXERR) dan (L2rat). Studi ini menunjukkan bahwa 3 tiga teknik enhancement
dihasilkan dari metode CLAHE. Pertimbangan ini diperoleh dalam bekerja sama
dengan dokter gigi sebagai ahli dalam kedokteran gigi, domain spesifik dalam
14
penelitian ini. Karena itu, pekerjaan peneliti memberikan prioritas kepada dokter
detail lebih banyak dibandingkan dengan yang lain, oleh karena itu CLAHE yang
perbaikan kualitas citra adalah mendapatkan hasil citra yang optimal dari citra
ini, diusulkan perbaikan kualitas citra gigi panoramik dengan metode HE, AHE
hasil ketiganya. Hasil dari penelitian ini menyimpulkan metode AHE dengan
sharpening menghasilkan perbaikan kualitas citra yang paling optimal dilihat dari
7. LANDASAN TEORI
7.1. X-Ray
15
gambar ini akan menunjukkan bagian-bagian tubuh dalam berbagai nuansa hitam
dan putih. Gambar hitam putih ini dihasilkan karena jaringan-jaringan tubuh
menyerap jumlah radiasi yang berbeda. Misalnya, kalsium dalam tubuh menyerap
X-ray paling banyak, sehingga tulang tampak putih. Sementara lemak dan
jaringan lunak lainnya menyerap lebih sedikit, sehingga terlihat abu-abu. Prosedur
X-ray ini dilakukan dengan cepat dan tanpa rasa sakit. Pemeriksaan X-ray
tubuh. Misalnya, keluhan, seperti infeksi, pembusukan gigi, patah tulang, radang
https://www.halodoc.com/kesehatan/x-ray
7.2. Covid-19
disebabkan oleh coronavirus yang baru ditemukan. Sebagian besar orang yang
sedang dan sembuh tanpa memerlukan perawatan khusus. Orang yang lebih tua,
tetesan air liur atau keluar dari hidung ketika orang yang terinfeksi batuk atau
bersin, jadi penting bagi Anda untuk juga berlatih etiket pernapasan (misalnya,
coronavirus/qa-for-public
7.3. Gambar
16
Gambar adalah perpaduan antara beberapa titik, garis, bidang, dan warna
yang berguna untuk mencitrakan sesuatu (Limbong & Simarmata, 2020). Gambar
pikirannya.
algoritma komputer untuk mengubah data menjadi aksi yang cerdas atau
secara singkat dapat juga diartikan sebagai proses mengubah data menjadi
informasi sebelumnya yang telah tersedia dan bisa dijadikan data pembelajar.
Seperti:
1. Supervised Learning
masukan data pembelajaran yang telah diberi label. Setelah itu membuat
2. Unsupervised Learning
17
Penggunaan skenario Unsupervised Learning, pembelajaran menggunakan
masukan data pembelajaran yang tidak diberi label. Setelah itu mencoba untuk
3. Reinforcement Learning
dari pembelajar.
learning adalah sebuah program komputer yang dapat belajar dari pengalaman
dan semakin banyak pengalaman yang diberikan kepada program tersebut maka
performa akan semakin baik (Yuliani, 2019). Akan tetapi, algoritma machine
learning tradisional tidak akan membaik secara signifikan ketika sudah sampai
titik tertentu, sebanyak apapun data yang diberikan. Andrew Ng, Co-founder dari
Coursera, mantan Chief Scientist dari Baidu dan founder Google Brain,
18
Gambar 1. Perbandingan performa machine learning dan deep learning
Secara garis besar, komponen dari algoritma deep learning adalah jaringan
syaraf tiruan, sebuah teknik untuk meniru cara berpikir otak manusia yang terdiri
dari layer yang berlapis-lapis. Gambar 2 menunjukkan terdapat 4 sel pada hidden
layer 1. Lapisan tersebut mendapatkan informasi dari layer input. Bukan hanya
satu sel saja yang menjadi masukan, akan tetapi semua sel di layer input. Dengan
demikian, hidden layer 1 menjadi tahu kombinasi dari masukan yang menurutnya
berpengaruh besar pada hasil. Begitu pun hidden layer 2 akan mendapat masukan
dari lapisan sebelumnya, yaitu hidden layer 1 sehingga hidden layer 2 menjadi
tahu kombinasi hidden layer 1 seperti apakah yang berpengaruh kepada hasil.
memproses dari input layer langsung ke output layer tanpa ada hidden layer
19
sehingga diperlukan kombinasi input tambahan (fitur) yang perlu dihitung oleh
Deep learning sangat baik dalam pemrosesan data yang tidak terstruktur,
seperti gambar, teks, dan audio. Untuk memproses data yang berbeda diperlukan
juga arsitektur yang berbeda agar hasil yang diperoleh lebih maksimal.
CNN adalah jaringan feedforward dalam arus informasi yang hanya terjadi
ke satu arah, yaitu dari input menuju output (Rawat & Wang, 2017). Cara kerja
CNN terinspirasi dari cara kerja otak manusia. Arsitektur CNN secara umum
terdiri dari feature extraction (convolutional layer dan pooling layer) serta fully
connected layer seperti yang ditunjukkan pada Gambar 4 CNN bekerja secara
20
Gambar 4. Klasifikasi gambar menggunakan CNN
mempelajari representasi fitur dari gambar input menggunakan filter (Rawat &
Wang, 2017). Filter ini berisi bobot yang digunakan untuk mendeteksi karakter
dari objek, seperti tepi, kurva, atau warna (Arrofiqoh & Harintaka, 2018).
Tujuan dari pooling layer adalah mengurangi dimensi dari feature map
diupdate semakin sedikit (Rawat & Wang, 2017). Terdapat dua macam pooling,
yaitu max pooling dan average pooling, seperti yang ditunjukkan pada Gambar 5.
21
Gambar 5. Pooling layer
grid kecil lalu mengambil nilai maksimal dari setiap grid untuk menyusun matriks
citra yang telah direduksi (Suartika dkk., 2016). Sedangkan pada average pooling,
Layer ini merupakan kumpulan dari proses konvolusi (Hijazi dkk., 2015).
menentukan fitur mana yang paling berkorelasi dengan kelas tertentu. Fungsi dari
layer ini adalah menyatukan semua node menjadi satu dimensi (Albelwi &
Mahmood, 2017).
yang dilatih pada dataset besar, biasanya pada tugas klasifikasi gambar berskala
besar (Siddiqi, 2019). Contoh penggunaan transfer learning adalah sebuah model
dilatih dengan dataset Imagenet (Deng dkk., 2009) dan kemudian digunakan
22
Model pre-trained adalah model yang telah dilatih menggunakan suatu
yang baru. Salah satu contoh model pre-trained adalah VGG19. Visual Geometry
gambar, VGGNet menggunakan filter yang lebih kecil 3x3, dibandingkan dengan
filter AlexNet 11x11. Ada dua versi arsitektur deep network ini yaitu VGG16 dan
VGG19 yang memiliki kedalaman dan lapisan yang berbeda. VGG19 lebih dalam
dari VGG16. Namun, sejumlah parameter untuk VGG19 lebih besar dan
23
7.8. Image Enhancement
intensitas yang tidak tepat, efek kabur dll, dan menentukan informasi tersembunyi
memberikan gambar visual yang lebih baik yang diberikan sebagai input ke
berbagai aplikasi pemrosesan gambar digital. Kontras adalah elemen gambar yang
dapat didefinisikan sebagai rasio antara intensitas piksel tertinggi dan terendah
dari suatu gambar. Dalam peningkatan kontras sistem pengolahan gambar adalah
tugas berat yang harus dilakukan serta sangat sulit untuk mendapatkan gambar
kontras yang baik. Ada beberapa deskripsi untuk gambar yang memiliki kontras
biasanya menderita dari kualitas gambar yang buruk, degradasi yang kontras dan
pencahayaan yang buruk, bercak spesimen dan faktor-faktor lain yang dapat
yang meningkatkan kontras gambar secara umum, terutama ketika digunakan data
gambar yang diwakili oleh nilai-nilai yang dekat kontras. Melalui penyesuaian ini,
intensitas gambar dapat didstribusikan pada histogram dengan lebih baik. Hal ini
memungkinkan untuk daerah kontras lokal yang lebih rendah untuk mendapatkan
kontras yang lebih tinggi tanpa mempengaruhi kontras global. Metode ini juga
24
berguna untuk dengan latar belakang dan foregrounds yang keduanya terang atau
keduanya gelap. Secara khusus, metode ini memberikan pandangan yang lebih
baik dari struktur tulang dalam gambar X-ray dalam dunia biomedik,
yang diusulkan khusus dikembangkan untuk citra medis dan meningkatkan citra
yang lebih baik dari citra asli. Algoritma CLAHE mempartisi citra ke daerah
piksel citra. CLAHE ini menghasilkan distribusi nilai abu-abu yang digunakan
dan dengan demikian membuat fitur tersembunyi dari citra lebih terlihat (Riadi,
pada citra, CLAHE beroperasi pada region kecil pada citra grayscale yang disebut
dengan tile. Kontras pada setiap tile diperbaiki sehingga histogram yang
dihasilkan dari region tersebut kira-kira cocok dengan bentuk histogram yang
menggunakan interpolasi bilinear. Hal ini dilakukan agar hasil penggabungan tile
terlihat halus .
berasal dari histogram citra untuk mengubah semua piksel. Ini bekerja dengan
25
baik ketika distribusi nilai piksel mirip keseluruh citra. Namun, ketika citra berisi
daerah yang secara signifikan lebih terang atau lebih gelap dari sebagian besar
piksel dengan fungsi transformasi yang berasal dari daerah lingkungan. Ketika
wilayah citra yang berisi lingkungan piksel ini cukup homogen, histogramnya
akan sangat memuncak, dan fungsi transformasi akan memetakan kisaran sempit
nilai piksel untuk seluruh jajaran citra hasil. Hal ini menyebabkan AHE untuk
citra (Pizer, 1987) . Metode ini digunakan untuk meningkatkan kontras citra. Ini
berbeda dari citra, dan gunakan untuk mengalokasikan nilai-nilai ringan dari citra
(Zuiderveld, 1994). Oleh karena itu mudah untuk meningkatkan kontras lokal dari
26
8. KEASLIAN PENELITIAN
27
processing International Conference mengunakan teknik menggunakan Otsu Learning
approach on Engineering Image Processing. tresholding untuk
(NUiCONE). IEEE, 2017 memisahkan awan
pneumonia dari paru-
paru yang sehat pada
area paru-paru.
3. Analisis Aditya Akbar Riadi, Menganalisis Metode CLAHE Mencoba Menerapkan hasil
Komparasi Ahmad Abdul Chamid dan metode perbaikan terbukti menunjukkan menerapkan hasil CLAHE dan AHE untuk
Metode Perbaikan Akh. Sokhibi citra yaitu perolehan nilai rata- peningkatan kontras mendeteksi Covid-19
Kontras Berbasis Histogram rata eror lebih kecil pada pendeteksi pada metode CNN
Histogram Simetris: Jurnal Teknik Equalization, dibandingkan dengan penyakit pneumonia.
Equalization Pada Mesin, Elektro dan Ilmu Contrast Limited menggunakan metode
Citra Medis Komputer, 8(1), 383-388 Adaptive HE dan AHE. Seperti
Histogram yang terlihat pada
Equalization dan hasil komparasi bahwa
Adaptive contoh citra Citra4.jpg
Histogram memiliki eror terkecil
Equalization yaitu 1.2722
Sedangkan untuk hasil
kualitas visual citra
CLAHE menunjukkan
hasil yang lebih baik
dari pada metode He
dan AHE untuk
berbagai macam citra
medis x-ray.
4. An Analysis of Siti Arpah Ahmad, Mohd Menganalisis Karya ini meneliti Mencoba Menerapkan CLAHE dan
Image Nasir Taib, Noor Elaiza teknik peningkatan kinerja teknik menerapkan hasil AHE pada chest X-ray
Enhancement Abdul Khalid, and Haslina citra pada peningkatan gambar peningkatan kontras untuk mendeteksi Covid-
Techniques for Taib interpretasi Gambar dibandingkan dengan pada chest X-ray 19 pada metode CNN
Dental X-ray X-ray pada gigi gambar asli. Penilaian untuk pendeteksi
Image International Journal of dengan metode didasarkan pada Covid-19
28
Interpretation Machine Learning and AHE, CLAHE, evaluasi subyektif
Computing, Vol. 2, No. 3, MAHE dan serta pengukuran
June 2012 SCLAHE dengan statistik menggunakan
evaluasi CII, SNR dan RMSE
menggunakan yang hasilnya
kuisioner dari menunjukkan AHE,
dokter gigi dan MAHE dan CLAHE
analisis kuantitatif memiliki kelebihan
CII, SNR dan dan kekurangan
RMSE. masing-masing yang
berkesimpulan
peningkatan gambar
berkontribusi pada
penampilan gambar
yang lebih baik, oleh
karena itu
meningkatkan
kemampuan
diagnostik dalam
gambar digital intra-
oral.
5. Pengaruh Pra- Budi Hartono dan Veronica Membahas Hasil percobaan Mencoba Menerapkan CLAHE dan
Proses Perbaikan Lusiana pengaruh perbaikan menggunakan 30 buah menerapkan AHE pada gambar X-ray
Kontras pada Hasil kontras citra citra query dan 80 perbaikan kontras untuk mendeteksi Covid-
Pencarian Citra Jurnal Teknologi Informasi menggunakan buah data citra citra menggunakan 19 pada metode CNN
DINAMIK Volume 20, metode ekualisasi menunjukan bahwa algoritma lain dan
No.2, 2015 histogram (HE) dan perenggangan kontras pada chest X-ray
ekualisasi menggunakan metode image.
histogram adaptif ekualisasi histogram
(AHE) pada hasil adaptif (AHE)
pencarian citra. memberikan hasil
pencarian citra sedikit
lebih baik yaitu
29
53,33%, dibandingkan
dengan metode
ekualisasi histogram
(HE) yaitu 46,67%..
6. Feature Extraction Harsh Sharma, Jai Sethia, Untuk mendeteksi Peneliti mengusulkan Mencoba Menerapkan deteksi pada
and Classification Priti Bansal pneumonia dengan dua arsitektur CNN menerapkan transfer kasus Covid-19 dan
of Chest X-Ray tepat waktu peneliti yang sudah dirancang learning CNN dan menggunakan transfer
Images Using 10th International mengusulkan dari awal untuk dibandingkan dengan learning CNN dalam
CNN to Detect Conference on Cloud arsitektur CNN mendeteksi pneumonia model arsitektur yang penelitian.
Pneumonia Computing, Data Science yang berbeda untuk dari chest x-ray image dikembangkan
& Engineering mengekstraksi fitur dan menggunakan data sendiri.
(Confluence), 2020 dari gambar chest augmentation untuk
x-ray dan menghindari
melakukan overfitting. Hasil dari
klasifikasi gambar model arsitektur CNN
untuk mendeteksi yang digunakan
pneumonia. mendapatkan akurasi
tertinggi 90%.
7. Classification of Saraiva A, Ferreira N, Menggambarkan Model klasifikasi Mencoba Mendeteksi Covid-19 dan
Images of Sousa L, Carvalho da Costa kasifikasi terbukti efisien dengan menggunakan dataset menggunakan CLAHE
Childhood N, Sousa J, Santos D, komparatif memperoleh akurasi yang berbeda dan dan AHE
Pneumonia using Soares S Pneumonia rata-rata 95,30%. menggunakan
Convolutional menggunakan CNN transfer learning
Neural Networks 6th International CNN
Conference on Bioimaging.
2019
8. Automatic Ali Narin, Ceren Kaya, Deteksi otomatis Dari tiga model Mencoba Menerapkan CLAHE
Detection of Ziynet Pamuk Covid-19 transfer learning CNN, menggunakan dataset dan AHE sebelum deteksi
Coronavirus menggunakan ResNet50 merupakan yang lebih besar dan menggunakan CNN dan
Disease (COVID- arXiv, 2020 gambar X-ray model dengan akurasi model CNN yang menggunakan dataset
19) Using X-ray menggunakan tertinggi dibanding berbeda yang lebih besar
Images and Deep metode CNN InceptionV3 dan
30
Convolutional Inception-ResnetV2
Neural Networks
9. Detection of Prabira Kumar Sethy, Santi Mendeteksi Covid- Model klasifikasi, Mencoba Menerapkan CLAHE
coronavirus Kumari Behera 19 menggunakan yaitu ResNet50 plus menggunakan dataset dan AHE sebelum deteksi
Disease (COVID- gambar X-ray SVM secara statistik yang lebih besar menggunakan CNN dan
19) based on Deep Preprints 2020030300 menggunakan Deep lebih unggul menggunakan dataset
Features (2020): 2020 Features dibandingkan dengan yang lebih besar
delapan model
lainnya. Model
klasifikasi yang
diusulkan untuk
deteksi COVID-19
mencapai akurasi
95,38%.
10. COVIDX-Net: A Ezz El-Din Hemdan, Menerapkan Model VGG19 dan Mencoba Menerapkan CLAHE
Framework of Marwa A. Shouman, and COVIDX-Net Dense Convolutional menggunakan dataset dan AHE sebelum
Deep Learning Mohamed Esmail Karar untuk membantu Network (DenseNet) yang lebih besar deteksi menggunakan
Classifiers to ahli radiologi untuk menunjukkan kinerja CNN dan menggunakan
Diagnose COVID- arXiv, 2020 secara otomatis yang baik dengan skor dataset yang lebih besar
19 in X-Ray mendiagnosis f1 masing-masing 0,89
Images COVID-19 dalam dan 0,91 untuk normal
gambar X-ray dan COVID-19.
Kinerja klasifikasi
terburuk diperoleh
untuk model
InceptionV3 dengan
skor f1 0,67 untuk
kasus normal dan 0,00
untuk COVID-19
kasus.
11. X-Ray Image Michael J Horry, Subrata Mendeteksi Covid- Hasil percobaan Mencoba Menerapkan CLAHE
based COVID-19 Chakraborty, Manoranjan 19 menggunakan menunjukkan bahwa menggunakan dataset dan AHE pada chest X-
31
Detection using Paul, Anwaar Ulhaq, Gambar X-Ray model dengan jaringan yang lebih besar dan ray image untuk
Pre-trained Deep Biswajeet Pradhan, Manash menggunakan Pre- sederhana seperti model CNN yang meningkatkan kualitas
Learning Models Saha, Nagesh Shukla trained Deep VGG19 bekerja berbeda kontras
learning models relative lebih baik
engrXiv, 2020 dibandingkan VGG16,
Inception, Xception
dan Resnet dengan
performa diatas 83%.
12. Identifying H. Bougias, K. VELIOU, Mengidentifikasi Deap learning Mencoba Mendeteksi Covid-19 dan
pneumonia in A. Ghiatas, A. A. pneumonia pada menggunakan membandingkan menggunakan CLAHE
chest X-rays: Chaidou1, A. Christou and chest X-ray dengan pendekatan metode dengan model CNN dan AHE
Comparison 1ioannina/GR membandingkan transfer learning yang berbeda
between different metode-metode berdasarkan model
transfer learning European Congress of transfer learning VGG19 mendapatkan
methods Radiology yang berbeda hasil terbaik dibanding
Inception V3, VGG16
dan SqueezeNet
dengan akurasi 84,5%
13. Detection of Gaurav Labhane, Rutuja Mengembangkan Model yang diusulkan Mencoba Menerapkan deteksi pada
Pediatric Pansare, Saumil neural network dalam penelitian ini menerapkan model kasus Covid-19 dan
Pneumonia from Maheshwari untuk mendeteksi telah mendapatkan CNN lain dan menggunakan Image
Chest X-Ray pneumonia melalui hasil yang maksimal mencoba menerapkan Enhancement untuk
Images using CNN 3rd International chest x-ray image dengan akurasi lebih Image Enhancement memperbaiki kualitas
and Transfer Conference on Emerging menggunakan dari 97% pada semua untuk memperbaiki citra.
Learnin Technologies in Computer model basic CNN, model dan berhasil citra gambar.
Engineering: Machine VGG16, VGG19, mengungguli hasil dari
Learning and Internet of Inception V3. penelitian sebelumnya.
Things, 2020
14. Covid‑ 19: Ioannis D. Apostolopoulos, Deteksi otomatis Dari lima model Mencoba Menerapkan CLAHE
automatic Tzani A. Mpesiana Covid-19 transfer learning CNN, menerapkan model dan AHE sebelum deteksi
detection menggunakan akurasi, sensitivitas, CNN yang berbeda menggunakan CNN
from X‑ ray Physical and Engineering gambar X-ray dan spesifisitas terbaik
32
images utilizing Sciences in Medicine, 2020 menggunakan yang diperoleh adalah
transfer learning metode CNN 96.78%, 98.33%, dan
with convolutional 96.46% yaitu model
neural networks MobileNet V2
15. An Analysis of X- Ili Ayuni Mohd Ikhsan, Menganalisis Hasil dari pre- Mencoba Menerapkan CLAHE
Ray Image Aini Hussain, Mohd Asyraf metode processing menerapkan metode dan AHE pada Chest
Enhancement Zulkifley, Nooritawati Md. peningkatan menunjukkan GC pada chest X-ray Image X-ray dan
Methods for Tahir, Aouache Mustapha gambar dari X-ray mencapai sensitivitas pasien pneumonia digunakan untuk
Vertebral Bone untuk segmantasi terbaik sedangkan mendeteksi penyakit
Segmentation 10th International tulang vertebral CLAHE mendapatkan
Colloquium on Signal akurasi terbaik.
Processing and its
Applications (pp. 208-211).
IEEE
16. Evaluation of Salim J. Attia and Suhad S. Evaluasi kinerja Hasil menunjukkan Mencoba melakukan Menerapkan peningkatan
Image Hussein berbagai teknik bahwa peningkatan peningkatan gambar kualitas gambar pada
Enhancement peningkatan gambar metode pada scan X-ray lain gambar chest X-ray untuk
Techniques of Indian Journal of Science gambar yang CLAHE lebih baik seperti Chest untuk mendeteksi penyakit
Dental X-Ray and Technology, 10(40), 1- diterapkan pada daripada metode HE mengetahui diganosa
Image 5. Dental X-ray Image dan imadjust, sesuai penyakit
dengan nilai-nilai
kualitas gambar.
17. A deep learning Shuai Wang, Bo Kang, Menerapkan Menggunakan model Mencoba Menerapkan CLAHE
algorithm using Jinlu Ma, Xianjun Zeng5, algoritma Deep Inception migration menerapkan model dan AHE sebelum
CT images to Mingming Xiao, Jia Learning learning dengan hasil CNN yang berbeda deteksi menggunakan
screen for Guo, Mengjiao Cai, Jingyi menggunakan validasi internal CNN dan melakukan
Corona Virus Yang, Yaodong Li, gambar CT untuk mencapai akurasi total penelitian pada gambar
Disease (COVID- Xiangfei Meng, Bo Xu mendeteksi 82.9% X-ray
19) penyakit Covid-19 dengan spesifisitas
medRxiv, 2020 80.5% dan sensitivitas
84% dan dataset
pengujian eksternal
33
menunjukkan akurasi
total 73.1% dengan
spesifisitas 67% dan
sensitivitas 74%.
18. Classification of Asmaa Abbas, Mohammed Melakukan Menggunakan model Mencoba Menerapkan CLAHE dan
COVID-19 in M. Abdelsamea, Mohamed klasifikasi pada DeTraC mencapai membandingkan AHE sebelum deteksi
chest X-ray Medhat Gaber Covid-19 tinggi sebesar akurasi dengan model CNN menggunakan CNN dan
images using menggunakan total 95.12% yang berbeda menerapkan model CNN
DeTraC deep gambar X-ray dengan spesifisitas yang berbeda
convolutional arXiv, 2020 menggunakan 91.87% dan
neural network metode CNN sensitivitas 97.91%
dengan model dan presisi 93.36%.
DeTraC
19. COVID-19 Jianpeng Zhang, Yutong Mendeteksi Covid- Menggunakan Deep Mencoba Menggunakan metode
Screening on Xie, Yi Li, Chunhua Shen, 19 menggunakan Learning berbasis menggunaan dataset CNN dengan model
Chest X-ray Yong Xia gambar X-ray Animali Detection yang lebih sedikit VGG19
Images Using menggunakan Deep menunjukkan bahwa
Deep Learning arXiv, 2020 Learning berbasis model ini mendeteksi
based Anomaly Anomaly Detection 96.00% kasus Covid-
Detection 19 dan 70.65% kasus
non-Covid-19
20 Analisa Metode Rahayu Noveandini, Mendapatkan hasil Diusulkan perbaikan Mencoba Menerapkan CLAHE dan
Perbaikan Kualitas Sarifuddin Madenda, Metty citra yang optimal kualitas citra gigi menerapkan hasil AHE pada chest X-ray
Citra Pada Citra Mustikasari dan Subali dari citra aslinya panoramik dengan peningkatan kontras untuk mendeteksi Covid-
Gigi Panoramik sehingga metode HE, AHE dan pada chest X-ray 19 pada metode CNN
memudahkan AHE dengan untuk pendeteksi
proses selanjutnya sharpening. Algoritma Covid-19
pada pengenalan yang diusulkan akan
suatu obyek membandingkan hasil
menggunakan ketiganya. Hasil dari
metode AHE, HE penelitian ini
34
dan CLAHE. menyimpulkan metode
AHE dengan
sharpening
menghasilkan
perbaikan kualitas
citra yang paling
optimal dilihat dari
citra yang dihasilkan.
35
9. METODE PENELITIAN
Jenis, sifat, dan pendekatan pada penelitian yang akan dilakukan adalah
sebagai berikut.
b. Sifat penelitian
https://github.com/ieee8023/covid-chestxray-dataset dan
https://www.kaggle.com/andrewmvd/convid19-X-rays
36
37
Dataset berisi 300 gambar chest X-ray yang terdiri dari 100 gambar penderita
AHE.
Dataset terbagi menjadi dua bagian, yaitu 80% data train, 20% data test. Data
train digunakan untuk melatih model CNN pada klasifikasi chest x-ray image,
sedangkan data test digunakan untuk memprediksi gambar chest x-ray image.
Model CNN yang digunakan untuk pelatihan adalah VGG19. Tahap pertama
AHE pada tahap peningkatan kualitas citra yang terapkan pada CNN, 2)
kualitas citra.
42
BAB I PENDAHULUAN
Bab ini berisi uraian latar belakang masalah, rumusan masalah, batasan
Bab ini berisi tinjauan pustaka, keaslian penelitian, dan landasan teori.
teori berisi teori-teori atau konsep yang dibutuhkan untuk menyusun solusi
Bab ini berisi jenis, sifat, dan pendekatan penelitian, metode pengumpulan
Bab ini menjelaskan hasil penelitian dan pembahasan dari penelitian yang
telah dilakukan.
BAB V PENUTUP
Bab ini merupakan bagian akhir dari penelitian yang berisi kesimpulan dan
saran dari penelitian yang telah dilakukan agar memberikan manfaat pada
Bulan
No. Tahapan Target Output Mei Juni Juli Agustus September
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Pra-penelitian : meliputi
penentuan tema, judul
1. Proposal Output
penelitian, serta
penyusunan proposal
Studi pustaka dan Referensi dan
2. pengumpulan literature literature review
review
Mengumpulkan data
3. Pengumpulan Dataset
set – sebelum tes
Penerapan CLAHE
Implementasi
4. dan AHE
Histogram Equalization
Bulan
No. Tahapan Target Output Mei Juni Juli Agustus September
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
pembahasan Histogram
Equalization dan CNN
serta perbandingan
CLAHE dan AHE
dalam peningkatan
citra
8. Hasil Penelitian Laporan Tesis
DAFTAR PUSTAKA
PUSTAKA BUKU
Galvez, R. L.; Bandala, A. A.; Dadios, E. P.; Vicerra, R. R. P.; Maningo, J. M. Z.;
2018, Object Detection Using Convolutional Neural Networks, Proceedings
of TENCON, IEEE
Jmour, N.; Zayen, S.; Abdelkrim, A., 2018, Convolutional Neural Networks for
Image Classification, International Conference on Advanced Systems and
Electric Technologies (IC_ASET), IEEE
Liao, D.; Lu, H.; Xu, X.; Gao, Q., 2019, Image Segmentation Based on Deep
Learning Features, The Eleventh International Conference on Advanced
Computational Intelligence, IEEE
Liu, X.; Kawanishi, T.; Wu, X.; Kashino, K., 2016, Scene Text Recognition with
High Performance CNN Classifier and Efficient Word Inference, ICASSP,
IEEE
Wang, S.; Kang, B.; Ma, J.; Zeng, X.; Xiao, M.; Guo, J.; Cai, M.; Yang, J.; Li, Y.;
Meng, X.; Xu, B.; 2020, A deep learning algorithm using CT images to
screen for Corona Virus Disease (COVID-19). MedRxiv.
Zhang, J.; Xie, Y.; Li, Y.; Shen, C; Xia, Y., 2020. Covid-19 screening on chest x-
ray images using deep learning based anomaly detection. arXiv preprint
arXiv:2003.12338
Rawat, W.; Wang, Z., 2017, Deep Convolutional Neural Networks for Image
Classification: A Comprehensive Review, Neural Computation,
Massachusetts Institute of Technology, Cambridge
Arrofiqoh Siddiqi, R., 2019, Effectiveness of Transfer Learning and Fine Tuning
in Automated Fruit Image Classification, ICDLT, China
Albelwi, A.; Mahmood, A., 2017, A Framework for Designing the Architectures
of Deep Convolutional Neural Networks, MDPI, Swiss
Simonyan, K.; Zisserman, A., 2015, Very Deep Convolutional Networks for
Large-Scale Image Recognition, ICLR
Cohen, J. P.; Morrison, P.; Dao, L., 2020, COVID-19 image data collection. arXiv
preprint arXiv:2003.11597
Ahmad, S. A.; Taib, M. N.; Khalid, N. E. A.; Taib, H., 2012, An analysis of
image enhancement techniques for dental X-ray image interpretation.
International Journal of Machine Learning and Computing, 2(3), 292
Riadi, A. A.; Chamid, A. A.; Sokhibi, A., (2017), Analisis komparasi metode
perbaikan kontras berbasis histogram equalization pada citra medis. Simetris:
Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, 8(1), 383-388
Horry, M. J.; Paul, M.; Ulhaq, A.; Pradhan, B.; Saha, M.; Shukla, N., 2020, X-
Ray Image based COVID-19 Detection using Pre-trained Deep Learning
Models
Bougias, H.; VELIOU, K.; Ghiatas, A.; Chaidou, A.; Christou, A., 2019,
Identifying pneumonia in chest X-rays: Comparison between different
transfer learning methods. European Congress of Radiology
Ikhsan, I. A. M.; Hussain, A.; Zulkifley, M. A.; Tahir, N. M.; Mustapha, A.,
2014, An analysis of x-ray image enhancement methods for vertebral bone
segmentation. In 2014 IEEE 10th International Colloquium on Signal
Processing and its Applications (pp. 208-211). IEEE
Ahmad, S. A., Taib, M. N., Khalid, N. E. A.; Taib, H., 2012, An analysis of image
enhancement techniques for dental X-ray image interpretation. International
Journal of Machine Learning and Computing, 2(3), 292.
Noveandini, R., Madenda, S., Mustikasari, M.; Subali, M. 2018, Analisa Metode
Perbaikan Kualitas Citra Pada Citra Gigi Panoramik. Prosiding SeNTIK
STI&K, 2.
Pizer, S. M.; Amburn, E. P.; Austin, J. D.; Cromartie, R.; Geselowitz, A.; Greer,
T.; ... and Zuiderveld, K., 1987, Adaptive histogram equalization and its
variations. Computer vision, graphics, and image processing, 39(3), 355-368.
Yuliani, E.; Aini; A. N.; Khasanah, C. U., 2019, Perbandingan jumlah epoch dan
steps per epoch pada convolutional neural network untuk meningkatkan
akurasi dalam klasifikasi gambar. Jurnal Informa, 5(3), 23-27.
PUSTAKA ELEKTRONIK
https://www.kaggle.com/andrewmvd/convid19-X-rays
https://www.who.int/indonesia/news/novel-coronavirus/qa-for-public diakses 13
Mei 2020