PROPOSAL TESIS

DETEKSI PENDERITA COVID-19 PADA CHEST X-RAY IMAGE

MENGGUNAKAN HISTOGRAM EQUALIZATION DAN
CONVOLUTIONAL NEURAL NETWORKS

Disusun oleh:
Nama : Buyut Khoirul Umri
NIM : 19.52.1212
Konsentrasi : Informatics Technopreneurship

PROGRAM STUDI S2 TEKNIK INFORMATIKA

PROGRAM PASCASARJANA UNIVERSITAS AMIKOM YOGYAKARTA
YOGYAKARTA
2019
 HALAMAN PERSETUJUAN

DETEKSI PENDERITA COVID-19 PADA CHEST X-RAY IMAGE

MENGGUNAKAN HISTOGRAM EQUALIZATION DAN
CONVOLUTIONAL NEURAL NETWORKS

DETECTION CORONAVIRUS (COVID-19) SUFFERERS ON CHEST

X-RAY IMAGE USING HISTOGRAM EQUALIZATION
AND CONVOLUTIONAL NEURAL NETWORKS

Dipersiapkan dan Disusun oleh

Buyut Khoirul Umri

19.52.1212

Telah disetujui oleh Tim Dosen Pembimbing Tesis

pada tanggal 15 Mei 2020

Pembimbing Utama Pembimbing Pendamping

Prof. Dr. Ema Utami, S.Si., M.Kom Mei P. Kurniawan, M.kom

NIK. 190302037 NIK. 190302187

ii
1. LATAR BELAKANG MASALAH

Pandemi Coronavirus 2019 (COVID-19) telah menjadi masalah kesehatan

yang serius bagi seluruh dunia. Coronavirus merupakan keluarga besar dari virus

Middle East Respiratory Syndrome (MERS-CoV) dan Severe Acute Respiratory

Syndrome (SARS-CoV). Coronavirus juga sering disebut sebagai Severe Acute

Respiratory Syndrome Coronavirus 2 atau SARS-CoV-2. Coronavirus ditemukan

pertama kali di kota Wuhan, Cina pada Desember 2019 dan saat ini menyeber

termasuk Indonesia. https://www.who.int/health-topics/coronavirus

Saat ini sudah mencapai 16.000 total kasus yang dikonfirmasi positif

Covid-19 di Indonesia, sedangkan didunia sudah mencapai 4.300.000 kasus

dilaporkan melalui laman https://www.worldometers.info/coronavirus/.

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

keterbatasan alat untuk melakukan tes Covid-19.

Tes Covid-19 saat ini merupakan tugas yang sulit karena tidak tersedia

sistem diagnosis dimana-mana, sehingga dapat menyebabkan kepanikan bagi

masyarakat. Terbatasnya ketersediaan kit pengujian Covid-19, kita perlu

mengandalkan langkah-langkah diagnosis lainnya. Karena Covid-19 menyerang

sel-sel epitel yang melapisi saluran pernapasan kita, maka kita dapat

memanfaatkan X-ray untuk menganalisis kesehatan paru-paru pasien. Hampir di

setiap Rumah Sakit memiliki mesin pencitraan X-ray, jadi dapat dimanfaatkan

dalam menguji Covid-19 tanpa menggunakan kit khusus.

1
 Chest X-ray (CXR) merupakan alat yang penting untuk mendiagnosis

pneumonia dan banyak keputusan klinis yang bergantung pada temuan

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

cepat, lebih mudah dan tidak berbahaya.

Dalam keadaan pandemi Covid-19 saat ini, data merupakan langkah awal

untuk mengembangkan alat atau perawatan diagnosis penyakit Covid-19 yang

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).

Dalam makalah ini, penulis menggambarkan database publik tentang kasus

pneumonia dengan chest X-ray atau CT scan, kasus Covid-19 serta MERS, SARS

dan ARDS.

Untuk menghasilkan akurasi yang baik tentunya diperlukan kualitas citra

yang baik dari hasil Chest X-ray, salah satu faktor yang mempengaruhi yaitu

kontras dari gambar dan untuk memperbaiki kontras salah satunya dapat

dilakukan menggunakan histogram equalization. Histogram equalization akan

meningkatkan kecerahan dan kontras dari citra untuk menemukan fungsi

pemetaan agar histogram terdistibusi secara merata. Metode ini berusaha untuk

2
menyesuaikan citra untuk membuatnya lebih mudah dalam menganalisis atau

meningkatkan kualitas visual.

Radiografi dapat digunakan untuk membantu mendiagnosis penyakit

dalam bidang medis. Umumnya citra radiograf masih tampak kabur sehingga

memerlukan pengolahan untuk menghilangkan atau mengurangi kekaburan

tersebut (Akhlis, 2011). Sebuah perangkat lunak pengolah citra digital telah

berhasil dikonstruksi. Perangkat lunak tersebut dapat melakukan peningkatan

kontras citra dengan metode histogram equalization. Untuk mendapatkan versi

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

metode saja. Pada penelitian yang dilakukan (Sharma, 2017) menerapkan

histogram equalization dalam mendeteksi keberadaan cloud pneumonia di chest

X-ray dengan mengunakan teknik image processing berhasil mengidentifikasi

batas tulang rusuk dan telah menggunakan otsu tresholding untuk memisahkan

cloud.

Citra merupakan gambaran tentang karakteristik suatu obyek menurut

kondisi variabel tertentu. Pengolahan citra bertujuan memperbaiki kualitas citra

agar mudah diinterpretasi oleh manusia atau mesin (Riadi, 2017). Terdapat

beberapa operasi di dalam pengolahan citra, salah satunya adalah perbaikan

kontras yang pada dasarnya biasa digunakan untuk memunculkan bagian-bagian

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

terlihat jelas. Penelitian ini menerapkan teknik peningkatan citra dengan

perbaikan kontras menggunakan metode berbasis Histrogram Equalization. Pada

citra medis tersebut dan juga menunjukkan kinerja hasil pengukuran kontrol eror

menggunakan Mean Square Error menjelaskan bahwa metode Contrast Limited

Adaptive Histogram Equalization (CLAHE) lebih baik dibandingkan dengan

metode Histrogram Equalization (HE) dan metode Adaptive Histogram

Equalization (AHE).

Penelitian dalam meningkatkan citra juga dilakukan pada gambar X-ray

gigi (Ahmad, 2012) menggunakan Penilaian didasarkan pada evaluasi subyektif

serta pengukuran statistik menggunakan CII, SNR dan RMSE. Motode yang

digunakan menunjukkan AHE, MAHE dan CLAHE memiliki kelebihan dan

kekurangan masing-masing yang berkesimpulan peningkatan gambar

berkontribusi pada penampilan gambar yang lebih baik, oleh karena itu

meningkatkan kemampuan diagnostik dalam gambar digital intra-oral.

Penelitian ini (Hartono, 2015) membahas bagaimana pengaruh perbaikan

kontras citra menggunakan metode Histogram Equalization (HE) dan Adaptive

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

bahwa perenggangan kontras menggunakan metode ekualisasi histogram adaptif

(AHE) memberikan hasil pencarian citra sedikit lebih baik yaitu 53,33%,

dibandingkan dengan metode ekualisasi histogram (HE) yaitu 46,67%

Convolutional Neural Network (CNN) merupakan bagian dari Deep

Learning yang telah mendapatkan banyak perhatian dalam beberapa tahun

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

pattern recognition, seperti object detection (Galvez dkk., 2018), classification

(Jmour dkk., 2018), image segmentation (Liao dkk., 2019), dan text recognition

(Liu, 2016).

Penelitian yang sama juga dilakukan (Sharma, 2020) dalam mendeteksi

pneumonia pada chest X-ray image. Untuk mendeteksi pneumonia dengan tepat

waktu, peneliti mengusulkan arsitektur CNN yang berbeda untuk mengekstraksi

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

menggunakan data augmentation untuk menghindari overfitting. Dari hasil model

arsitektur CNN yang digunakan, mendapatkan akurasi tertinggi 90%. Penelitian

mengenai klasifikasi gambar Pneumonia juga dilakukan (Saraiva, 2019) pada

dataset gabungan dari Labeled Optical Coherence Tomography (OCT) dan Chest

5
X-ray Images (CXR) menggunakan arsitektur CNN terbukti efisien dengan

memperoleh akurasi rata-rata 95.30%.

Dari beberapa penelitian diatas terbukti bahwa CNN memberikan hasil

yang baik pada deteksi Pneumonia menggunakan X-ray image. Pada masa

pandemic seperti saat ini penelitian yang dilakukan dalam mendeteksi Covid-19

sangat banyak dilakukan terutama penelitian dalam memanfaatkan chest X-ray

images yang juga menggunakan Convolutional Neural Networks (CNN). Salah

satunya penelitian yang dilakukan (Narin, 2020) tentang deteksi otomatis Covid-

19 menggunakan gambar X-ray menggunakan metode CNN menunjukkan yang

dikombinasikan dengan Transfer Learning. Ada tiga model yang diterapkan

dalam deteksi ini yaitu ResNet50, InceptionV3 dan Inception-ResnetV2. Hasil

dari ketiga Model CNN tersebut menunjukkan bahwa ResNet50 dapat mendeteksi

dengan akurasi tertinggi dengan 98% dibanding InceptionV3 dan Inception-

ResnetV2, dalam deteksi menggunakan dataset yang kecil.

Sethy (2020) dalam penelitiannya dalam mendeteksi Coronavirus Disease

atau Covid-19 menggunakan Deep Feature mamakai Model klasifikasi yang

menggabungkan ResNet50 plus SVM secara statistik lebih unggul dibandingkan

dengan delapan model lainnya yang diterapkan. Model klasifikasi yang diusulkan

untuk deteksi COVID-19 mencapai akurasi 95,38%. Selain itu Hemdan (2020)

menerapkan COVIDX-Net untuk membantu ahli radiologi untuk secara otomatis

mendiagnosis COVID-19 dalam gambar X-ray. Model VGG19 dan Dense

Convolutional Network (DenseNet) menunjukkan kinerja yang baik dengan skor

f1 masing-masing 89% untuk VGG19 dan 91% untuk DenseNet.

6
 Mendeteksi Covid-19 lebih awal dapat membantu merancang rencana

perawatan yang tepat dan keputusan penahanan penyakit (Horry, 2020). Dalam

penelitian ini, peneliti mendemonstrasikan bagaimana model pre-trained deep

learning dapat diadopsi untuk melakukan deteksi COVID-19 menggunakan

gambar X-Ray. Penelitian disusun dengan kerangka deep learning fremework,

menggunakan dataset yang diproses untuk melakukan pengujian komparatif untuk

beberapa keluarga model deep learning yang populer dan banyak tersedia seperti

VGG, Inception, Xception, dan Resnet. Hasil percobaan menyoroti kesesuaian

model-model ini untuk dataset yang tersedia saat ini dan menunjukkan bahwa

model dengan jaringan yang lebih sederhana seperti VGG19 berkinerja relatif

lebih baik dengan presisi hingga 83%.

Sehingga berdasarkan studi literatur yang dilakukan pada penelitian

sebelumnya maka penulis mencoba menerapkan perbaikan citra menggunakan

metode Contrast Limited Adaptive Histogram Equalization (CLAHE) dan

Adaptive Histogram Equalization (AHE) untuk memperbaiki kontras dari gambar

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

peneliti menggunakan model VGG19 karena pada beberapa pengujian dalam

penelitian sebelumnya menghasilkan bahwa model tersebut unggul di beberapa.

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

gambar normal. Dataset tersebut telah tersedia di internet dan didownload di

github dan kaggle. Hasil akhir dari penelitian adalah melihat apakah ada pengaruh

performa dari penerapan algoritma Contrast Limited Adaptive Histogram

Equalization (CLAHE) dan Adaptive Histogram Equalization (AHE) dalam

penerapanya pada metode Convolutional Neural Networks dalam mendeteksi

Covid-19 pada chest X-ray image serta melakukan perbandingan hasil akurasi dari

kedua algoritma CLAHE dan AHE dalam peningkatan citra untuk mendeteksi

Covid-19 pada chest X-ray image.

2. RUMUSAN MASALAH

Berdasarkan penjabaran pada latar belakang masalah, maka rumusan

masalah pada penelitian ini adalah sebagai berikut.

a. Apakah penerapan algoritma Contrast Limited Adaptive Histogram

Equalization (CLAHE) dan Adaptive Histogram Equalization (AHE)

mempengaruhi performa dalam penerapannya pada metode Convolutional

Neural Networks (CNN) dalam mendeteksi Covid-19 pada chest X-ray image?

b. Berapa tingkat akurasi dalam perbandingan algoritma Contrast Limited

Adaptive Histogram Equalization (CLAHE) dan Adaptive Histogram

Equalization (AHE) pada peningkatan citra dalam mendeteksi Covid-19 pada

chest X-ray image?

8
3. BATASAN MASALAH

Batasan masalah dalam penelitian ini adalah sebagai berikut.

a. Penelitian ini melakukan deteksi Covid-19 pada Chest X-ray Image

menggunakan CNN dengan 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 gambar normal.

b. Dataset yang digunakan merupakan dataset yang sudah tersedia di

https://github.com/ieee8023/covid-chestxray-dataset dan

https://www.kaggle.com/andrewmvd/convid19-X-rays

c. Pendeteksian Covid-19 menggunakan metode CNN.

d. Model CNN yang digunakan adalah VGG19 yang terbukti menghasilkan

akurasi lebih unggul daripada model CNN lain dalam deteksi Covid-19.

e. Pada tahap peningkatan citra menggunakan algoritma CLAHE dan AHE.

f. Mengetahui tingkat performa pada penerapan algoritma CLAHE dan AHE

yang dilakukan pada metode CNN dan tingkat akurasi dalam perbandingan

algoritma CLAHE dan AHE pada peningkatan citra.

4. TUJUAN PENELITIAN

Tujuan dari penelitian yang dilakukan adalah sebagai berikut.

a. Mengetahui performa penerapan algoritma Contrast Limited Adaptive

Histogram Equalization (CLAHE) dan Adaptive Histogram Equalization

(AHE) pada tahap peningkatan kualitas citra yang terapkan pada metode

Convolutional Neural Networks (CNN).

9
b. Membandingkan akurasi dari algoritma CLAHE dan AHE pada peningkatan

kualitas citra.

5. MANFAAT PENELITIAN

Manfaat dari penelitian yang dilakukan adalah sebagai berikut.

a. Mampu mendeteksi Covid-19 pada Chest X-ray menggunakan metode CNN.

b. Mengetahui pengaruh CLAHE dan AHE terhadap deteksi Covid-19 pada

Chest X-ray image menggunakan CNN.

c. Menjadi referensi terhadap penelitian di masa mendatang yang berkaitan

dengan pemanfaatan CLAHE dan AHE pada chest X-ray image.

6. TINJAUAN PUSTAKA

Penelitian sebelumnya sangatlah penting bagi penulis sebagai bahan kajian

untuk mengetahui keterkaitan antara penelitian terdahulu dengan penelitian yang

akan penulis lakukan serta untuk menghindari terjadinya duplikasi yang dilakukan

penulis. Tinjauan pustaka juga bertujuan untuk menunjukkan bahwa penelitian

yang penulis lakukan sangatlah bermanfaat dan memiliki arti penting sebagai

kontribusi penelitian terhadap ilmu pengetahuan. Berikut ini adalah beberapa

ulasan jurnal tentang penelitian terdahulu berkenaan dengan data dan metode yang

digunakan penulis sebagai acuan.

Berdasarkan penelitian sebelumnya terkait dengan tersedianya dataset

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

Covid-19. Selanjutnya untuk proses deep learning penulis menggunakan metode

yang telah dikaji berdasarkan penelitian sebelumnya tentang penggunaan metode

tersebut. Berikut beberapa kajian tentang penggunaan metode convolutional

neural networks (CNN) dengan menerapkan model pre-trained VGG19.

Dalam computer science, artificial intelligence (AI) adalah kecerdasan

yang ditunjukkan oleh mesin, berbeda dengan kecerdasan alami yang ditampilkan

oleh manusia. Istilah "artificial intelligence" sering digunakan untuk

menggambarkan mesin yang meniru fungsi "kognitif" yang diasosiasikan manusia

dengan pikiran manusia, seperti "belajar" dan "pemecahan masalah". Tidak seperti

metode pembelajaran mesin tradisional, yang memerlukan fitur rekayasa tangan

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

telah menjadi metode dominan dalam tugas-tugas computer vision (Bougias,

2020). Dalam penelitian ini bertujuan untuk mengeksplorasi kelayakan

membandingkan empat metode transfer learning yang berbeda untuk

mengidentifikasi keberadaan pneumonia di chest X-ray. Dataset yang digunakan

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

prediksi negatif 84% dan akurasi keseluruhan 84,5%.

Pneumonia adalah salah satu penyakit paling fatal yang disebabkan di

paru-paru. Diagnosis melibatkan chest X-ray yang ditafsirkan oleh ahli radiologi.

Diagnosis yang dibantu manusia memiliki keterbatasannya sendiri seperti

ketersediaan tenaga ahli, biaya, dll (Labhane, 2020). Dalam penelitian yang

dilakukan oleh tentang deteksi pneumonia melalui gambar chest X-ray, peneliti

menggunakan neural network yang dikembangkan yaitu menerapkan basic CNN,

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

sebelumnya dalam mendeteksi pneumonia menggunakan X-ray dan behasil

mengungguli akurasi dari penelitian sebelumnya.

Penelitian dalam menggunakan dataset yang besar tentunya lebih bagus

dalam deteksi menggunakan deep learning dalam mendeteksi Covid-19. Dalam

dataset juga banyak (Apostolopoulos, 2020) tentang deteksi otomatis

menggunakan gambar X-ray menggunakan metode CNN yang dilakukan

menggunakan dataset yang besar. Dalam keterbatasan gambar chest X-ray pasien

Covid-19 saat ini, peneliti menambahkan dataset pneumonia non-Covid agar

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.

Setelah peneliti menemukan metode yang tepat untuk mendeteksi Covid-

19 melalui chest X-ray image, mencoba melakukan peningkatan kualitas citra

dengan histogram equalization dan menerapkan contrast limited adaptive

histogram equalization (CLAHE) untuk mencoba mengolah dataset X-ray untuk

mecaritahu, apakah dapat meningkatkan performa pada CNN jika digabungkan

dengan metode CLAHE. Berikut beberapa kajian tentang penggunaan metode

contrast limited adaptive histogram equalization (CLAHE) untuk meningkatkan

kualitas citra.

Image enhancement adalah komponen penting dalam mendapatkan

segmentasi yang baik, terutama untuk image X-ray. Pembesaran kontras dan

ketajaman gambar akan meningkatkan akurasi modul berikutnya untuk sistem

diagnosis penyakit otonom (Ikhsan, 2014). Dalam penelitian ini menganalisis

berbagai metode teknik preprocessing untuk segmentasi tulang vertebral. Tiga

metode yang dipertimbangkan adalah histogram equalization (HE), gamma

correction (GC) dan contrast limited adaptive histogram equalization (CLAHE).

Karya ini bertujuan untuk membandingkan dan mengukur ketepatan dan akurasi

teknik yang digunakan untuk meningkatkan kualitas gambar. Kesimpulannya, tiga

metode untuk pra-pemrosesan telah dibandingkan, yaitu HE, GC dan CLAHE.

Hasilnya menunjukkan bahwa GC mencapai sensitivitas terbaik sedangkan

13
CLAHE mendapatkan akurasi terbaik. Karena akurasi mengukur deteksi yang

benar, baik positif atau negatif, ini adalah metrik kinerja yang paling cocok untuk

digunakan. Dengan demikian, algoritma yang paling cocok untuk peningkatan

gambar adalah CLAHE.

Penggunaan X-ray adalah bagian integral dari kedokteran gigi klinis,

dengan beberapa bentuk pemeriksaan radiografi diperlukan pada sebagian besar

pasien. X-ray adalah langkah pertama dalam proses diagnosis dengan metode

pencitraan; walaupun faktanya metode tambahan seperti magnetic resonance

imaging (MRI) dan computer tomography (CT) memberikan interpretasi yang

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

limited adaptive histogram equalization (CLAHE). Koleksi delapan gambar x-ray

gigi dipilih untuk menerapkan teknik ini pada mereka. Gambar-gambar x-ray pada

umumnya-rendah dalam kontras dan dosis radiasi. Kehilangan kualitas gambar ini

dapat ditangani dengan proses peningkatan. Empat faktor kualitas gambar

digunakan untuk mengevaluasi gambar yang dihasilkan melibatkan Peak Signal-

to-Noise Ratio (PSNR), Mean Squared Error (MSE), Maximum Error

(MAXERR) dan (L2rat). Studi ini menunjukkan bahwa 3 tiga teknik enhancement

memberikan peningkatan pada gamber menjadi lebih baik terutama yang

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

gigi dengan mengambil penilaian mereka sebagai referensi. Gambar yang

diperoleh dari metode HE memberikan penampilan yang lebih cerah daripada

metode CLAHE yang merupakan kecerahan terendah tetapi gambarnya memiliki

detail lebih banyak dibandingkan dengan yang lain, oleh karena itu CLAHE yang

terbaik untuk tujuan diagnosis.

Perbaikan kualitas citra menjadi kegiatan yang penting saat akan

melakukan pengenalan suatu obyek citra (Noveandini, 2018). Tujuan utama

perbaikan kualitas citra adalah mendapatkan hasil citra yang optimal dari citra

aslinya sehingga memudahkan proses selanjutnya pada pengenalan suatu obyek.

Beberapa metode perbaikan kualitas citra yang sering digunakan adalah

Histogram Equalization (HE), Adaptive Histogram Equalization (AHE) dan

Contras Limited Adaptive Histogram Equalization (CLAHE). Dalam penelitian

ini, diusulkan perbaikan kualitas citra gigi panoramik dengan metode HE, AHE

dan CLAHE dengan sharpening. Algoritma yang diusulkan akan membandingkan

hasil ketiganya. Hasil dari penelitian ini menyimpulkan metode AHE dengan

sharpening menghasilkan perbaikan kualitas citra yang paling optimal dilihat dari

citra yang dihasilkan.

7. LANDASAN TEORI

7.1. X-Ray

X-ray merupakan jenis radiasi yang disebut gelombang elektromagnetik.

Pencitraan X-ray akan menciptakan gambar bagian dalam tubuhmu. Gambar-

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

bertujuan untuk membantu dokter mendiagnosis dan memantau beberapa kondisi

tubuh. Misalnya, keluhan, seperti infeksi, pembusukan gigi, patah tulang, radang

sendi, osteoporosis, ataupun kanker tulang.

https://www.halodoc.com/kesehatan/x-ray

7.2. Covid-19

Penyakit coronavirus (COVID-19) adalah penyakit menular yang

disebabkan oleh coronavirus yang baru ditemukan. Sebagian besar orang yang

terinfeksi virus COVID-19 akan mengalami penyakit pernapasan ringan hingga

sedang dan sembuh tanpa memerlukan perawatan khusus. Orang yang lebih tua,

dan mereka yang memiliki masalah medis mendasar seperti penyakit

kardiovaskular, diabetes, penyakit pernapasan kronis, dan kanker lebih mungkin

mengembangkan penyakit serius. Virus COVID-19 menyebar terutama melalui

tetesan air liur atau keluar dari hidung ketika orang yang terinfeksi batuk atau

bersin, jadi penting bagi Anda untuk juga berlatih etiket pernapasan (misalnya,

dengan batuk ke siku yang tertekuk). https://www.who.int/indonesia/news/novel-

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

juga dapat diartikan menjadi sebuah ekspresi perasaan pembuatnya. Dengan

membuat gambar, seseorang dapat mengungkapkan imajinasi yang ada di dalam

pikirannya.

7.4. Machine Learning

Machine Learning adalah bidang yang mempelajari pengembangan

algoritma komputer untuk mengubah data menjadi aksi yang cerdas atau

secara singkat dapat juga diartikan sebagai proses mengubah data menjadi

informasi (Suyanto, 2017).

Menurut Mohri et al (2012) machine learning dapat didefinisikan sebagai

metode komputasi berdasarkan pengalaman untuk meningkatkan performa

atau membuat prediksi yang akurat. Definisi pengalaman disini ialah

informasi sebelumnya yang telah tersedia dan bisa dijadikan data pembelajar.

Dalam pembelajaran machine learning, terdapat beberapa skenario-skenario.

Seperti:

1. Supervised Learning

Penggunaan skenario supervised learning, pembelajaran menggunakan

masukan data pembelajaran yang telah diberi label. Setelah itu membuat

prediksi dari data yang telah diberi label.

2. Unsupervised Learning

17
 Penggunaan skenario Unsupervised Learning, pembelajaran menggunakan

masukan data pembelajaran yang tidak diberi label. Setelah itu mencoba untuk

mengelompokan data berdasarkan karakteristik-karakteristik yang ditemui.

3. Reinforcement Learning

Pada skenario reinforcement learning fase pembelajaran dan tes saling

dicampur. Untuk mengumpulkan informasi pembelajar secara aktif dengan

berinteraksi ke lingkungan sehingga untuk mendapatkan balasan untuk setiap aksi

dari pembelajar.

7.5. Deep Learning

Deep learning merupakan sub bagian dari machine learning. Machine

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,

menyebutkan dari sebuah slide miliknya bahwa deep learning dapat

menyelesaikan masalah performa yang ada pada algoritma machine learning

tradisional ketika data sudah semakin banyak.

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.

Gambar 2. Deep learning

Hal berbeda terjadi pada machine learning tradisional yang akan

memproses dari input layer langsung ke output layer tanpa ada hidden layer

19
sehingga diperlukan kombinasi input tambahan (fitur) yang perlu dihitung oleh

manusia. Fitur berisi informasi yang mewakili data.

Gambar 3. Machine learning vs deep learning

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.

7.5.1. Convolutional Neural Network

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

hierarki sehingga output pada convolutional layer pertama digunakan sebagai

input pada convolutional layer selanjutnya.

20
 Gambar 4. Klasifikasi gambar menggunakan CNN

7.5.2. Convolutional Layer

Convolutional layer berfungsi sebagai feature extractor dengan

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).

Convolutional layer akan menghasilkan transformasi linear dari gambar input

yang sesuai dengan informasi spasial pada data.

7.5.3. Pooling Layer

Tujuan dari pooling layer adalah mengurangi dimensi dari feature map

(downsampling) sehingga mempercepat komputasi karena parameter yang harus

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

Max pooling membagi output dari convolutional layer menjadi beberapa

grid kecil lalu mengambil nilai maksimal dari setiap grid untuk menyusun matriks

citra yang telah direduksi (Suartika dkk., 2016). Sedangkan pada average pooling,

nilai yang diambil adalah nilai rata-rata dari setiap grid.

7.5.4. Fully Connected Layer

Layer ini merupakan kumpulan dari proses konvolusi (Hijazi dkk., 2015).

Fully connected layer mendapatkan input dari proses sebelumnya untuk

menentukan fitur mana yang paling berkorelasi dengan kelas tertentu. Fungsi dari

layer ini adalah menyatukan semua node menjadi satu dimensi (Albelwi &

Mahmood, 2017).

7.6. Transfer Learning

Transfer learning adalah proses menggunakan kembali model pre-trained

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

kembali untuk klasifikasi, seperti klasifikasi gambar buah.

7.7. Model Pre-Trained VGG19

22
 Model pre-trained adalah model yang telah dilatih menggunakan suatu

dataset, kemudian model tersebut diimplementasikan kembali terhadap dataset

yang baru. Salah satu contoh model pre-trained adalah VGG19. Visual Geometry

Group Network (VGG) dikembangkan berdasarkan arsitektur CNN oleh Oxford

Robotics Institute (Simonyan & Zisserman, 2014). VGGNet berkinerja sangat

baik pada dataset imageNet. Untuk meningkatkan fungsionalitas ekstraksi

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

karenanya lebih mahal daripada VGG16 untuk melatih jaringan.

Gambar 6. Arsitektur model pre-trained VGG16 dan VGG19

23
7.8. Image Enhancement

Image Enhancement adalah proses untuk menghilangkan distori yang tidak

di inginkan karena penurunan kontras, noise yang tidak diinginkan, saturasi

intensitas yang tidak tepat, efek kabur dll, dan menentukan informasi tersembunyi

yang terkandung dalam gambar (Gonzalez, 2002). Image Enhancement

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

buruk: karena buruknya kualitas perangkat pencitraan yang digunakan. Gambar

biasanya menderita dari kualitas gambar yang buruk, degradasi yang kontras dan

terjadinya naungan dan artefak, karena kurangnya intensitas pixel tengah,

pencahayaan yang buruk, bercak spesimen dan faktor-faktor lain yang dapat

dimanipulasi dengan metode peningkatan gambar.

7.9. Histogram Equalization

Histogram equalization merupakan metode dalam pengolahan gambar

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,

menghasilkan detail gambar yang jelas (Vertika, 2011).

7.10. Contrast Limited Adaptive Histogram Equalization

Algoritma CLAHE (Contrast Limited Adaptive Histogram Equalization)

yang diusulkan khusus dikembangkan untuk citra medis dan meningkatkan citra

yang lebih baik dari citra asli. Algoritma CLAHE mempartisi citra ke daerah

kontekstual dan menerapkan pemerataan histogram untuk masing-masing nilai

piksel citra. CLAHE ini menghasilkan distribusi nilai abu-abu yang digunakan

dan dengan demikian membuat fitur tersembunyi dari citra lebih terlihat (Riadi,

2017). CLAHE adalah penulisan algoritma ditingkatkan dari AHE. CLAHE

merupakan generalisasi dari AHE (Adaptive Histogram Equalization). Berbeda

dengan HE (Histogram Equalization) yang beroperasi pada keseluruhan region

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

ditentukan. Nilai piksel yang saling bertetangga disambungkan dengan

menggunakan interpolasi bilinear. Hal ini dilakukan agar hasil penggabungan tile

terlihat halus .

7.11. Adaptive Histogram Equalization

Biasanya histogram equalization menggunakan transformasi yang sama

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

citra, kontras di daerah-daerah tidak akan cukup ditingkatkan. Adaptive

Histogram Equalization (AHE) meningkatkan pada ini dengan mengubah setiap

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

lebih memperkuat sejumlah kecil kebisingan di daerah sebagian besar homogen

citra (Pizer, 1987) . Metode ini digunakan untuk meningkatkan kontras citra. Ini

bervariasi dari histogram pemerataan dengan hormat bahwa metode adaptif

membuat perhitungan beberapa histogram, setiap sesuai dengan bagian yang

berbeda dari citra, dan gunakan untuk mengalokasikan nilai-nilai ringan dari citra

(Zuiderveld, 1994). Oleh karena itu mudah untuk meningkatkan kontras lokal dari

suatu citra dan menyampaikan lebih detail.

26
8. KEASLIAN PENELITIAN

Tabel 1. Matriks literatur review dan posisi penelitian

Deteksi Penderita Covid-19 pada Chest X-ray Image Menggunakan Histogram Hqualization dan Convolutional Neural Networks

Peneliti, Media Publikasi, Saran atau

No. Judul Tujuan Penelitian Kesimpulan Perbandingan
dan Tahun Kelemahan
1. Implementasi Isa Akhlis dan Sugiyanto Mendesain Sebuah perangkat Mencoba Menerapkan hasil
Metode Histogram perangkat lunak lunak pengolah citra mengembangkan lagi CLAHE dan AHE untuk
Equalization untuk Jurnal Fisika, UNS untuk digital telah berhasil peningkatan kontras mendeteksi Covid-19
Meningkatkan meningkatkan dikonstruksi. citra dengan metode pada metode CNN
Kualitas Citra kualitas citra digital Perangkat lunak yang lain. Hal ini
Digital foto Roentgen yaitu tersebut dapat dikarenakan tidak
dengan melakukan semua citra dapat
meningkatkan peningkatan kontras ditangani dengan
kontras citra citra dengan metode baik hanya oleh satu
tersebut histogram metode saja.
equalization. Untuk
mendapatkan versi
digital dari foto
roentgen dengan baik,
perlu alat scan yang
baik kualitasnya,
sehingga citra yang
dihasilkan dapat jelas
sesuai dengan aslinya.
2. Detection of Abhishek Sharma, Daniel Mendeteksi Sampai tahap ini Mencoba Menerapkan Deep
pneumonia clouds Raju, Sutapa Ranjan keberadaan awan berhasil mengkombinasikan Learning untuk
in chest X-ray pneumonia di Chest mengidentifikasi batas Image Processing mendeteksi Covid-19
using image Nirma University X-ray dengan tulang rusuk dan telah dengan Deep

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

9.1. Jenis, Sifat, dan Pendekatan Penelitian

Jenis, sifat, dan pendekatan pada penelitian yang akan dilakukan adalah

sebagai berikut.

a. Jenis dan pendekatan penelitian

Jenis dan pendekatan penelitian adalah penelitian kuantitatif. Penelitian ini

melakukan perhitungan secara matematis terhadap data-data penelitian.

b. Sifat penelitian

Sifat penelitian adalah penelitian eksperimental komputasi. Penelitian ini

melakukan suatu eksperimen untuk mendeteksi performa penerapan algoritma

CLAHE dan AHE dalam mendeteksi Covid-19 menggunakan CNN dan

perbandingan algoritma CLAHE dan AHE dalam peningkatan kualitas citra.

9.2. Metode Pengumpulan Data

Pengumpulan data dilakukan untuk mendapatkan berbagai macam data

yang diperlukan dalam penelitian. Data yang digunakan didownload di

https://github.com/ieee8023/covid-chestxray-dataset dan

https://www.kaggle.com/andrewmvd/convid19-X-rays

9.3. Metode Analisis Data

Setelah data-data terkumpul, langkah selanjutnya adalah melakukan analisis

untuk mengolah data tersebut menjadi sebuah informasi. Analisis yang

dilakukan adalah mendeteksi performa penerapan algoritma CLAHE dan

36
 37

AHE dalam mendeteksi Covid-19 menggunakan CNN dan perbandingan

algoritma CLAHE dan AHE dalam peningkatan kualitas citra.

9.4. Alur Penelitian

Alur penelitian yang akan dilakukan adalah sebagai berikut.

 38

Gambar 7. Alur penelitian

 39

Rincian alur penelitian adalah sebagai berikut.

a. Tahap pengumpulan dataset

Dataset berisi 300 gambar chest X-ray yang terdiri dari 100 gambar penderita

Covid-19, 100 gambar penderita pneumonia non-covid dan 100 gambar

normal yang dibagi didapat melalui kaggle dan github.

b. Tahap implementasi Histogram Equalization

Gambar 8. Alur Histogram Equalization

Terdapat tiga skenario pada penggunaan histogram equalization, yaitu

mengimplementasikan CLAHE, AHE dan tanpa mengimplementasikan

histogram equalization. Pada implementasi histogram equalization dimulai

dengan mengubah gambar RGB menjadi Gray color untuk menyamakan

semua warna dari gambar kemudian menerapkan filtering untuk mengurangi

noise pada gambar kemudian dilanjutkan dengan perhitungan CLAHE atau

AHE.

c. Tahap training dataset

 40

Gambar 9. Training dataset

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.

d. Tahap pelatihan dengan CNN

Gambar 10. Transfer learning VGG19

Model CNN yang digunakan untuk pelatihan adalah VGG19. Tahap pertama

yang dilakukan yaitu covolution berfungsi sebagai feature extractor dengan

 41

mempelajari representasi fitur dari gambar input menggunakan filter

sedangkan pooling mengurangi dimensi dari feature map, sehingga

mempercepat komputasi karena parameter yang harus diupdate semakin

sedikit dan mengatasi overfitting. Selanjutnya fully-connected layer

merupakan kumpulan dari proses konvolusi yang memiliki fungsi menyatukan

semua node menjadi satu dimensi.

e. Tahap analisis dan pembahasan

Tahap ini merupakan tahap untuk melakukan evaluasi (penilaian) berdasarkan

tahap pelatihan menggunakan HE dan CNN. Ada dua evaluasi yang

dilakukan, yaitu 1) Mengetahui performa penerapan algoritma CLAHE dan

AHE pada tahap peningkatan kualitas citra yang terapkan pada CNN, 2)

Membandingkan akurasi dari algoritma CLAHE dan AHE pada peningkatan

kualitas citra.
 42

10. SISTEMATIKA PENULISAN

Uraian singkat mengenai struktur penulisan pada masing-masing bab

adalah sebagai berikut.

BAB I PENDAHULUAN

Bab ini berisi uraian latar belakang masalah, rumusan masalah, batasan

masalah, tujuan penelitian, dan manfaat penelitian.

BAB II TINJAUAN PUSTAKA

Bab ini berisi tinjauan pustaka, keaslian penelitian, dan landasan teori.

Tinjauan pustaka merupakan uraian hasil-hasil penelitian sebelumnya yang

melatarbelakangi penelitian yang akan dilakukan, sedangkan landasan

teori berisi teori-teori atau konsep yang dibutuhkan untuk menyusun solusi

pada penelitian yang akan dilakukan.

BAB III METODE PENELITIAN

Bab ini berisi jenis, sifat, dan pendekatan penelitian, metode pengumpulan

data, metode analisis data, dan alur penelitian.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

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

pembaca serta bagi penelitian selanjutnya.

 43

11. RENCANA JADWAL PENELITIAN

Tabel 2. Rencana jadwal penelitian

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

Training dataset Melatih dataset yang

ada dibagi menjadi
5.
data train 80% dan
data test 20%
Penerapan metode
CNN menggunakan
6. Pelatihan dengan CNN
model transfer
learning VGG19
7. Analisis dan Hasil performa
 44

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

R. C. Gonzalez. R. E. Woods, 2002, “Digital Image Processing”, 2nd edition,

Prentice Hall

Suyanto., 2017, Data Mining Untuk Klasifikasi dan Klasterisasi Data.

Bandung:Informatika Bandung.

Mohri, M.; Rostamizadeh, A.; Talwalkar, A., 2012. Foundations of Machine

Learning. MIT Press

PUSTAKA MAJALAH, JURNAL ATAU PROSIDING

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

G. Labhane, R. Pansare; S. Maheshwari; R. Tiwari.; A. Shukla, 2020, "Detection

of Pediatric Pneumonia from Chest X-Ray Images using CNN and Transfer
Learning," 3rd International Conference on Emerging Technologies in
Computer Engineering: Machine Learning and Internet of Things (ICETCE),
IEEE

H. Sharma; J. S. Jain; P. Bansal; S. Gupta, 2020 "Feature Extraction and

Classification of Chest X-Ray Images Using CNN to Detect Pneumonia,"
10th International Conference on Cloud Computing, Data Science &
Engineering (Confluence), IEEE

Apostolopoulos, I. D.,; Mpesiana, T. A., 2020, Covid-19: automatic detection

from x-ray images utilizing transfer learning with convolutional neural
networks, Physical and Engineering Sciences in Medicine, 1
Narin, A., Kaya, C.,; Pamuk, Z., 2020, Automatic detection of coronavirus disease
(covid-19) using x-ray images and deep convolutional neural networks, arXiv
preprint arXiv:2003.10849

Hemdan, E.E.D.; Shouman, M.A.,; Karar, M.E., 2020, Covidx-net: A framework

of deep learning classifiers to diagnose covid-19 in x-ray images. arXiv
preprint arXiv:2003.11055.

Sharma, Abhishek,; Daniel Raju,; Sutapa Ranjan., 2017, "Detection of pneumonia

clouds in chest X-ray using image processing approach." Nirma University
International Conference on Engineering (NUiCONE). IEEE

Saraiva, A., et al., Classification of Images of Childhood Pneumonia using

Convolutional Neural Networks. 6th International Conference on Bioimaging

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.

Abbas, A.; Abdelsamea, M.M.; Gaber, M.M., 2020, Classification of COVID-19

in chest X-ray images using DeTraC deep convolutional neural network.
arXiv preprint arXiv:2003.13815

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

Hemdan, E.E.D.; Shouman, M.A; Karar, M.E., 2020. Covidx-net: A framework

of deep learning classifiers to diagnose covid-19 in x-ray images. arXiv
preprint arXiv:2003.11055

Sethy, P.K,; Behera, S.K., 2020. Detection of coronavirus disease (covid-19)

based on deep features. Preprints, 2020030300, p.2020

Rawat, W.; Wang, Z., 2017, Deep Convolutional Neural Networks for Image
Classification: A Comprehensive Review, Neural Computation,
Massachusetts Institute of Technology, Cambridge

Arrofiqoh, E. N.; Harintaka, 2018, Implementasi Metode Convolutional Neural

Network untuk Klasifikasi Tanaman pada Citra Resolusi Tinggi, Geomatika,
Badan Informasi Geospasial, Cibinong

Arrofiqoh Siddiqi, R., 2019, Effectiveness of Transfer Learning and Fine Tuning
in Automated Fruit Image Classification, ICDLT, China

Suartika, I. W.; Wijaya, A. Y.; Soelaiman, R., 2016, Klasifikasi Citra

Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,
Jurnal Teknik ITS, Surabaya
Hijazi, S.; Kumar, R.; Rowen, C., 2015, Using Convolutional Neural Networks
for Image Recognition, Cadence, California

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

Agarwal Vertika, 2011, Analysis of Histogram Equalization in Image

Preprocessing, BIOINFO Human-Computer Interaction, Volume 1, Issue1,
2011, pp-04-07

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

Akhlis, I., 2011, Implementasi Metode Histogram Equalization Untuk

Meningkatkan Kualitas Citra Digital. Jurnal Fisika

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

Attia, S. J.; Hussein, S. S., 2017, Evaluation of Image Enhancement Techniques

of Dental X-Ray Images. Indian Journal of Science and Technology, 10(40),
1-5.

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.

Hartono, B.; Lusiana, V. 2015, Pengaruh Pra-Proses Perbaikan Kontras pada

Hasil Pencarian Citra. Dinamik, 20(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.

Zuiderveld, K., 1994, Contrast Limited Adaptive Histogram Equalization. In: P.

Heckbert: Graphics Gems IV, Academic Press. ISBN 0-12-336155-9

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

Cohen JP, 2020, COVID-19 image data collection.

https://github.com/ieee8023/covid-chestxray-dataset

Chest X-Ray Images (Pneumonia)

https://www.kaggle.com/paultimothymooney/chestxray-pneumonia

https://www.kaggle.com/andrewmvd/convid19-X-rays

https://www.who.int/indonesia/news/novel-coronavirus/qa-for-public diakses 13
Mei 2020

https://www.who.int/health-topics/coronavirus diakses 13 Mei 2020

https://www.halodoc.com/kesehatan/x-ray diakses 13 Mei 2020

https://www.worldometers.info/coronavirus/ diakses 13 Mei 2020