3582 13288 1 PB

Infotek : Jurnal Informatika dan Teknologi
Vol. 4 No. 2, Juli 2021

Hal. 217-227
e-ISSN 2614-8773
DOI : 10.29408/jit.v4i2.3582 Link : https://dx.doi.org/10.29408/jit.v4i2.3582
Sistem Deteksi Infeksi COVID-19 Pada Hasil X-Ray Rontgen menggunakan Algoritma
Convolutional Neural Network (CNN)
Muhammad Saiful1*, LM.Samsu2 , Fathurrahman3

1,2,3Program Studi Sistem Informasi, Universitas Hamzanwadi
*Saipulslbm@gmail.com
Abstrak
Perkembangan teknologi dunia semakin berkembang pesat, khususnya pada bidang kesehatan yang berupa alat
pendeteksian berbagai macam objek, termasuk objek penyakit. Teknologi yang di maksud adalah bagian dari
kecerdasan buatan yang mampu mengenal sekumpulan citra dan mengklasifikasikan secara otomatis dengan
teknik deep learning. Salah satu jaringan deep learning yang banyak digunakan adalah convolutional neural
network dengan teknologi computer vision. Salah satu permasalahan pada computer vision yang masih
berkembang adalah object detection sebagai teknologi yang berguna untuk mengenal objek pada gambar
selayaknya manusia mengenal objek gambar. Dalam hal tersebut, sebuah mesin komputer di latih pembelajaran
dengan menggunakan jaringan saraf tiruan. Salah satu sub tipe jaringan saraf tiruan yang mampu menangani
permasalahan computer vision tersebut adalah dengan menggunakan teknik deep learning dengan algoritma
convolutional neural network. Tujuan dari penelitian ini adalah mengetahui bagaimana perancangan sistem,
arsitektur jaringan yang digunakan untuk pendeteksian infeksi COVID-19. Sistem ini tidak dapat melakukan
pendeteksian objek yang lain. Hasil deteksi infeksi COVID-19 dengan algoritma convolutional neural network
menunjukan nilai akurasi yang unlimited yaitu berkisar di angka 60-99%...
Kata Kunci : Computer Vision, Deep Learning, Convolutional Neural Network
Abstract
The development of the world's technology is growing rapidly, especially in the field of health in the form of
detection tools of various objects, including disease objects. The technology in point is part of artificial intelligence
that is able to recognize a set of imagery and classify automatically with deep learning techniques. One of the
deep learning networks widely used is convolutional neural network with computer vision technology. One of the
problems with computer vision that is still developing is object detection as a useful technology to recognize
objects in the image as if humans knew the object of the image. In this case, a computer machine is trained in
learning using artificial neural networks. One of the sub types of artificial neural networks that are able to handle
computer vision problems is by using deep learning techniques with convolutional neural network algorithms. The
purpose of this research is to find out how to design the system, the network architecture used for COVID-19
infection detection. The system cannot perform detection of other objects. The results of COVID-19 infection
detection with convolutional neural network algorithm show unlimited accuracy value that ranges from 60-99%.
Keywords: Computer Vision, Deep Learning, Convolutional Neural Network
1. Pendahuluan karena infeksi virus ini disebut severe acute

COVID-19 (corona virus desease 2019) atau respiratory syndrome corona virus 2 (SARS-
dikenal juga dengan virus corona adalah virus CoV-2). COVID-19 adalah virus jenis baru
yang menyerang sistem pernapasan. Penyakit yang menular ke manusia. Walaupun lebih
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 217
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
bayak menyerang lansia. virus ini sebenarnya memiliki tingkat akurasi yang relative tinggi dan
bisa menyerang siapa saja, mulai dari bayi, memiliki hasil yang signifikan dalam pengenalan
anak-anak, hingga orang dewasa, termasuk ibu citra. Salah satu software yang dapat
hamil dan ibu menyusui. COVID-19 pertama dimanfaatkan untuk kepentingan ini adalah
kali ditemukan di kota Wuhan, China pada akhir bahasa pemrograman Python dan library
Desember 2019. Virus ini menular dengan TensorFlow, yang termasuk kedalam software
sangat cepat dan telah menyebar ke hampir artificial intelligence untuk mendeteksi berbagai
semua negara, termasuk Indonesia, hanya macam objek berdasarkan dataset gambar
dalam waktu beberapa bulan. (image).
Terdapat beberapa metode dalam mendeteksi Berdasarkan uraian di atas, dalam penelitian ini
dan mengenali objek pada sebuah image dibuat sebuah sistem untuk mendeteksi antara
menggunakan jaringan saraf tiruan, salah hasil x-ray rontgen foto thorax terinfeksi COVID-
satunya adalah algoritma Convolutional Neural 19 dan normal pada sekumpulan gambar.
Network (CNN) yang sering digunakan pada Adapun algoritma yang digunakan pada sistem
pengolahan data image. Convolutional Neural adalah algoritma Convolutional Neural Network.
Network (CNN) merupakan salah satu metode Oleh karena itu, peneliti membuat penelitian
yang terdapat dalam deep learning yang banyak yang berjudul “Sistem Deteksi Infeksi COVID-19
digunakan untuk menyelesaikan permasalahan pada Hasil X-Ray Rontgen menggunakan
yang berkaitan dengan object detection dan Algoritma Convolutional Neural Network
image classification. Object detection (CNN)”. Dengan adanya system diharapkan
(pendeteksian objek) baru-baru ini menjadi dapat membantu tenaga medis ataupun
salah satu bidang yang paling menarik dalam pemerintah yang menangani masalah COVID-
computer vision dan artificial intelligence (AI). 19.
Pendeteksian objek merupakan teknologi
komputer yang berkaitan dengan computer
vision dan image processing yang berhubungan
dengan mendeteksi suatu objek dalam citra
digital yang dapat berupa warna dan bentuk
objek.
Convolutional Neural Network (CNN) banyak
digunakan pada penelitian terdahulu karena
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
2. Tinjauan Pustaka Penelitian yang dilakukan oleh (Imam

2.1. Penelitian Terkait Fathurrahman and Indra Gunawan, 2018)
Dalam penulisan skripsi ini, penulis terinspirasi dengan judul “Pengenalan Citra Logo Kendaraan
menggunakan referensi dari penelitian-penelitian Menggunakan Metode Gray Level Co-Occurence
sebelumnya yang berkaitan dengan Matrix (Glcm) dan Jst-Backpropagation”. Pada
pembahasan skripsi yang dibuat. Penelitian ini sistem yang diteliti oleh dosen Universitas
terkait penggunaan data mining dengan Hamzanwadi Lombok Timur ini dikemukakan
menggunakan algoritma K-Nearest Neighbor. bahwa Penentuan parameter dalam jaringan
Berikut ini penelitian terdahulu yang berkaitan syaraf tiruan backpropagation akan memberikan
dengan proposal skripsi antara lain: hasil klasifikasi yang optimal adalah; 14 input
Penelitian yang dilakukan (Moh. Farid Wajdi and layer, 7 node hidden layer, 4 node output, dan
Jagat Sugiantara, 2018) dengan judul learning rate 0.05 menghasilkan eror target
“Pemanfaatan Teknik Pengenalan Wajah 0.018391 pada epoch ke 43 dari 49 epoch
Berbasis Opencv untuk Sistem Informasi sehingga tingkat keberhasilan pengenalan logo
Pencatatan Kehadiran Dosen”. Pada sistem dengan arah 00 ekstraksi fitur GLCM
yang diteliti oleh dosen Universitas Hamzanwadi menggunakan JST- Backpropagation adalah
Lombok Timur ini dikemukakan bahwa sistem 95.7% dalam waktu 20 detik [2].
pencatatan kehadiran saat diujikan membuktikan Penelitian yang dilakukan oleh (Imam
Per-sepsi Responden terhadap variabel-variabel Fathurrahman, Amri Muliawan Nur, and
pendukung metode TAM menunjukkan hasil Fathurrahman, 2018) yang berjudul “Identifikasi
interpretasi bernilai BAIK yang dibuktikan dengan Kematangan Buah Mentimun Berbasis Citra
rata-rata total skor tiap indikator variabel Digital Menggunakan Jaringan Syaraf Tiruan
penyusunnya yaitu rata-rata total skor diatas Backpropagation”. Pada sistem yang diteliti oleh
4.00. dimana interpretasi BAIK memiliki rentang dosen Universitas Hamzanwadi Lombok Timur
nilai 3.68 – 5.00 [1]. ini dikemukakan bahwa penelitian ini mampu
mencapai akurasi yang baik sebesar 89.6%.
Pada penelitian-penelitian selanjutnya, tingkat
akurasi ini masih bisa dapat di tingkatkan.
Beberapa fitur tekstur yang lainnya masih bisa
diuji cobakan untuk menghasilkan tingkat akurasi
yang lebih baik [3].
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
Penelitian yang dilakukan oleh (Rismiyati, 2016) semua negara, termasuk Indonesia, hanya
yang berjudul “Implementasi Convolutional dalam waktu beberapa bulan [6], [7] Coronavirus
Neural Network untuk Sortasi Salak Ekspor adalah kumpulan virus yang bisa menginfeksi
Berbasis Citra Digital”. Pada thesis Universitas sistem pernapasan. Pada banyak kasus, virus ini
Gadjah Mada Yogyakarta ini dikemukakan hanya menyebabkan infeksi pernapasan
bahwa akurasi terbaik untuk model dua kelas ringan, seperti flu. Namun, virus ini sebenarnya
didapatkan dengan metode CNN dengan juga bisa menyebabkan infeksi pernapasan
menggunakan learning rate 0.0001, satu lapisan berat, seperti infeksi paru-paru (pneumonia).
konvolutional dengan jumlah filter 15 dengan Selain virus SARS-CoV-2 atau virus
ukuran 3×3×3, dan jumlah neuron pada lapisan Corona, virus yang juga termasuk dalam
tersembunyi 100. Akurasi yang didapatkan kelompok ini adalah virus penyebab Severe
adalah 81,5%. Model 4 kelas mendapatkan Acute Respiratory Syndrome (SARS) dan virus
akurasi 70,7% dengan 2 lapisan konvolusi [4]. penyebab Middle East Respiratory
Penelitian yang dilakuka oleh (L M. Samsu,2020) Syndrome (MERS). Meski disebabkan oleh virus
yang berjudul “ Komparasi Algoritma Denoising dari kelompok yang sama, yaitu coronavirus,
dan Binarization dengan Adaptive Thresholding COVID-19 memiliki beberapa perbedaan dengan
dan Morfologi untuk Menigkatkan Kualitas SARS dan MERS, antara lain dalam hal
Keterbacaan Citra Naskah Lontar (Takepan) kecepatan penyebaran dan keparahan gejala.
Sasak. penelitian yang sudah di lakukan dapat COVID-19 lebih banyak menyerang lansia.
simpulkan bahwa Adaptive Thresholding dan Namun, virus ini juga bisa menyerang siapa saja,
Morfologi dengan pendekatan dilasi sangat mulai dari bayi, anak-anak, hingga orang
membantu memaksimalkan keterbacaan citra dewasa, termasuk ibu hamil dan ibu menyusui
dengan nilai Peak Signal to Noise Ratio (PSNR) [8].
tertinggi mencapai 34.107 dB dibandingkan 2. Kecerdasan Buatan
dengan teknik Denoising dan Binarization [5] Kecerdasan Buatan atau Artificial Intelligence
(AI) adalah teknik yang digunakan untuk meniru
2.2. Landasan Teori
kecerdasan yang dimiliki oleh makhluk hidup
1. COVID-19
maupun benda mati untuk menyelesaikan
COVID-19 (corona virus desease 2019) pertama
sebuah persoalan yang ada disekitar. Dalam
kali ditemukan di kota Wuhan, China pada akhir
penelitian ini, kecerdasan buatan yang diambil
Desember 2019. Virus ini menular dengan
lebih dikenal dengan teknik deep learning yang
sangat cepat dan telah menyebar ke hampir
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
merupakan cabang dari machine learning. dalam mencari mangsa, Simulated Annealing
Menurut Ahmad ada tiga metode yang yang menirukan bagaimana logam ditempa, dan
dikembangkan, antara lain: masih banyak lagi [9]
- Machine Learning (ML) atau pembelajaran 3. Deep Learning
mesin merupakan teknik yang paling populer Deep learning adalah salah satu bidang machine
karena banyak digunakan untuk learning yang memanfaatkan banyak layer
menggantikan atau menirukan perilaku pengolahan informasi nonlinier untuk melakukan
manusia untuk menyelesaikan masalah. ekstraksi fitur, pengenalan pola, dan klasifikasi
Sesuai namanya Machine Learning [10]. Deep learning adalah sebuah pendekatan
mencoba menirukan bagaimana proses dalam penyelesaian masalah pada sistem
manusia atau makhluk cerdas belajar dan pembelajaran komputer yang menggunakan
menggeneralisasi. konsep hierarki. Konsep hierarki membuat
- Fuzzy Logic (FL), teknik ini digunakan oleh komputer mampu mempelajari konsep yang
mesin untuk mengadaptasi bagaimana kompleks dengan menggabungkan dari konsep-
makhluk hidup menyesuaikan kondisi konsep yang lebih sederhana. Jika digambarkan
dengan memberikan keputusan yang tidak sebuah graf bagaimana konsep tersebut
kaku 0 atau 1. Sehingga dimunculkan sistem dibangun di atas konsep yang lain, graf ini akan
logika fuzzy yang tidak kaku. Penerapan dalam dengan banyak layer, hal tersebut
logika fuzzy ini salah satunya adalah untuk menjadi alasan disebut sebagai deep learning
sistem pengereman kereta api di Jepang. (pembelajaran mendalam) [11].
- Evolutionary Computing (EC), Pendekatan ini 4. Computer Vision
menggunakan skema evolusi yang Computer vision merupakan kombinasi antara
menggunakan jumlah individu yang banyak dan image processing dan pattern recognition.
memberikan sebuah ujian untuk menyeleksi Computer vision adalah pembangunan deskripsi
individu terbaik untuk membangkitkan generasi objek fisik yang eksplisit dan gamblang dari
selanjutnya. Seleksi tersebut digunakan untuk sebuah gambar. Output dari computer vision
mencari solusi dari suatu permasalahan. Contoh adalah deskripsi atau interpretasi atau beberapa
dari pendekatan ini adalah Algoritma Genetika pengukuran kuantitatif struktur dalam adegan 3D
yang menggunakan ide mutasi dan kawin silang, [10]. Computer vision adalah sebuah teknologi
Particle Swarm Optimization (PSO) yang meniru mesin yang mampu mengenali objek yang
kumpulan binatang seperti burung dan ikan diamati. Kemampuan untuk mengenali ini
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
merupakan kombinasi dari pengolahan citra dan yang digunakan untuk feeding data pada
pengenalan pola. Pengolahan citra adalah proses pelatihan
proses awal dalam computer vision untuk 5. Kemudian dilakukan pembuatan label Map
menghasilkan citra yang lebih baik atau lebih dan dataset (file TFRecord) yang sesuai
mudah diinterpretasikan, sedangkan pengenalan dengan proses pelabelan data.
pola adalah proses identifikasi objek pada citra. 6. Kemudian langkah selanjutnya adalah
Proses-proses dalam computer vision secara konfigurasi object detection training pipeline
garis besar dapat dibagi menjadi [12]: untuk mengkonfigurasi proses pelatihan
- Proses mengakuisisi citra digital (Image dan evaluasi yang dilakukan menggunakan
Acquisition) berkas protobuf
- Proses pengolahan citra (Image Processing) 7. Langkah selanjutnya adalah dilakukan
- Proses analisis data citra (Image Analysis) proses training antara lain, yaitu :
- Proses pemahaman data citra (Image - Tahap awal pada proses pelatihan
Understanding) dimulai dengan Feeding data pelatihan
atau memasukan dataset training ke
2.3. Tahapan Penelitian dalam TensorFlow
Adapun tahapan dari penelitian ini meliputi - Langkah selanjutnya yaitu dilakukan
beberapa tahapan diantaranya : proses pelatihan dataset gambar untuk
1. Tahap awal dimulai dengan mengumpulkan menghasilkan sistem pendeteksi objek
dataset gambar objek penelitian Covid-19 dan Normal dengan
2. Langkah selanjutnya adalah dilakukan menggunakan algoritma Convolutional
pelabelan dataset gambar untuk Neural Network
mempermudah penentuan letak objek yang - Langkah selanjutnya adalah Pooling
akan dideteksi Layer yang digunakan untuk
3. Setelah proses pelabelan perlu adanya mengurangi dimensi dari
konversi berkas dari XML ke CSV untuk downsampling, sehingga mempercepat
tujuan konversi dataset tersebut ke berkas komputasi karena parameter yang
TFRecord harus diupdate semakin sedikit dan
4. Setelah proses konversi berkas XML mengatasi overfitting
dengan output berupa file CSV perlu - Kemudian dilakukan aktivasi
adanya konversi ke TensorFlow Record file menggunakan ReLU (Rectrified Linear
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
Units) kemudian langkah untuk proses bertujuan untuk mendeteksi dan mengklasifikasi
training gambar objek COVID-19 dan Normal berdasarkan
- Setelah dilakukan aktivasi, kemudian dataset gambar hasil x-ray rontgen foto thorax
akan menghasilkan output prediksi yang diperoleh dari situs Kaggle [18].
kelas yang berupa gambar hasil deteksi 3.2. Lokasi Penelitian
COVID-19 dan Normal Untuk kebutuhan Dataset yang digunakan diambil
8. Ketika output dari hasil pelatihan sample hasil rongsen beberapa pasien di Rumah
menghasilkan tingkat akurasi yang rendah Sakit Umum Soejono Selong Lombok Timur
maka akan dilakukan proses pelatihan
kembali, akan tetapi apabila output 4. Hasil dan Pembahasan
menghasilkan akurasi yang tinggi akan 4.1. Persiapkan Dataset
dilanjutkan ke langkah berikutnya Dalam studi kasus ini, digunakan dataset gambar
9. Pada saat proses pelatihan maka akan terinfeksi COVID-19 dan Normal dengan masing-
menghasilkan checkpoint yang dibuat masing sebanyak 358 data training dan 78 data
secara otomatis oleh TensorFlow berbentuk testing, sehingga total dataset sebanyak 436
graph tensor yang bertujuan untuk images berbentuk file PNG. File ini masing-
menyimpan informasi proses pelatihan masing dimasukkan ke folder image / test dan
yang dilakukan, jika proses pelatihan image /train.
selesai maka selanjutnya adalah
mengeskpor graph tensor dan menjadikan
model yang siap digunakan
10. Setelah mendapatkan model yang sesuai
dengan tingkat akurasi yang tinggi dengan Gambar 1. Dataset PNG Image/test
data yang banyak maka akan dilakukan Pelabelan Gambar kedalam Format .xml
implementasi hasil dan pembahasan Pemberian label pada gambar dataset dapat
disebut dengan annotations. Annotations ini
3. Metode Penelitian nantinya akan disimpan dalam file berformat
3.1. Metodologi dalam Penelitian. .xml. Aplikasi yang digunakan dalam pelabelan
Metode Penelitian menggunakan studi pustaka adalah LabelImg.
yaitu dengan mencari refrensi tentang algoritma Berikut langkah-langkah dalam pelabelan :
Convolutional Neural Network (CNN) yang - Buka aplikasi labelImg.
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
- Klik tombol “OpenDir”

- Pilih direktori dataset gambar
- Klik tombol “Change Save Dir” untuk
menyimpan hasil file pelabelan .xml ke
dalam 1 direktori yang sama (Annotation)
Gambar 2. Hasil pelabelan dengan format .xml
- Klik tombol “Create RectBox” untuk
membuat kotak area objek yang akan
4.2. Convert file .xml ke .csv
dikenali (klik W)
Di direktori yang telah dibuat sebelumnya terdapat file
- Arahkan kursos dan tarik area kotak
dengan nama “xml_to_csv” yang berisi kode dalam
disekitar objek
mengkonversi file xml ke csv.
- Lalu akan muncul kotak dialog untuk
Jalankan perintah berikut untuk melakukan konversi
memberikan nama label dari objek yang xml ke csv pada command promt: python
akan kita kenali (Nama objek setiap kategori xml_to_csv.py
harus sama).
- Simpan hasil pelabelan dengan menekan
tombol CTRL+S (klik Change Save Dir)
Gambar 3. Hasil convert .xml ke .csv
- Simpan file hasil pelabelan *.xml kedalam
4.3. Convert .csv ke TFRecord
folder annotations
Pada saat melakukan proses training,
Dalam studi kasus ini, digunakan dataset
tensorflow akan membaca data input dalam
gambar terinfeksi COVID-19 dan Normal
format TFRecord yang dinamakan feeding data.
dengan masing-masing sebanyak 358
Oleh karena itu perlu dilakukan generate data
data training dan 78 data testing, sehingga total
annotation yang tadi telah dikonversi ke file .csv.
dataset *.xml terbentuk juga sebanyak 436
Untuk kode TFRecord sendiri juga sudah ada
images.
dengan nama file “generate_tf_record”. Hal
File ini masing-masing dimasukkan kedalam
yang perlu dilakukan adalah merubah kelas
folder annotation/test dan annotations/train.
sesuai dengan kelas yang akan didefinisikan.
Berikut adalah hasil yang sudah di label ke
Karena pada kasus memiliki 2 objek yang akan
format .xml yang di simpan pada folder
dideteksi maka kelas yang diubah seperti
annotation/test:
berikut:
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
Gambar 5. Training menggunakan Tensorflow

Selain menggunakan proses training pada
komputer, peneliti juga bisa menggunakan RAM
Gambar 4. Setting kelas sesuai objek penelitian dan GPU gratis milik google, yaitu Google
4.4. Konfigurasi Pipeline Colaboratory.
Konfigurasi pipeline disini berhubungan untuk
mengatur file config yang nantinya akan 4.6. Export Inference Graph
digunakan untuk melakukan konfigurasi dari Untuk melakukan export inference graph
model training karena tensorflow menggunakan p dapat dilakukan dengan menulis perintah
rotobuf maka konfigurasi ini sangat diperlukan. berikut pada command promt : python export _
Model yang digunakan adalah Faster-RCNN- inference _ graph. py --input_type image _
Inception-V2 dimana model ini sudah disediakan tensor – pipeline _ config _ path training/faster
oleh Tensorflow itu sendiri. Untuk konfigurasi _ rcnn _ inception _ v2 _ pets.config – trained _
yang harus dilakukan terdapat pada file faster checkpoint _ prefix training/model.ckpt - XXXX
_rcnn_ inception_ v2_ pets yang selanjutnya – output _ directory inference _ graph
kalian simpan di folder training. model.ckpt -XXXX dapat diganti dengan nilai
4.5. Training step yang akan di export. Nilai ini dapat dilihat
Setelah semua data yang dibutuhkan untuk pada folder training, misal: ketika kita setting
training sudah siap. Maka untuk menjalankan jumlah step 25.000 maka nilai XXX tersebut
training ketik perintah berikut pada command diganti dengan nilai 25.000. Hasil export model
promt : python train.py --logtostderr -- train_dir tersebut dapat dilihat pada folder
= training/ pipeline _ config _ path = inference_graph:
training/faster _ rcnn _
inception_v2_pets.config. Jika berhasil maka
akan muncul proses training seperti dibawah
ini:
Gambar 6. Save model
4.7. Testing Image
Gambar 7. Testing Data Baru
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
Setelah mendapatkan frozen _ inference _ Gambar 9. Hasil Deteksi COVID-19 pada

graph.pb untuk melakukan testing image, dapat model4
dilakukan dengan setting beberapa coding di Berdasarkan uji coba image detector pada
file Object_detection_image.py. Setting yang Gambar 17 diperoleh hasil pendeteksian x-ray
dilakukan diantaranya, mengganti image yang rontgen terinfeksi COVID-19, yaitu dengan nilai
akan di test pada line 39, mengganti jumlah akurasi sebesar 98% pada model4 dengan
NUM_CLASSES dengan jumlah kelas yang proses training 25.000 step dan 1.000
dimilik yaitu 2, frozen_inference_graph.pb evaluation_step.
diubah menjadi model4.pb, serta mengganti
IMAGE_NAME sesuai data yang ingin di uji 5. Kesimpulan
coba. Dari hasil analisis dan pembahasan dalam studi
kasus pada tugas akhir ini, maka dapat diambil
beberapa simpulan sebagai berikut:
Dengan menggunakan 25.000 step dan 1.000
evaluation_step untuk melakukan pengujian
Gambar 8. Setting Script Object Detection model4 pada data baru terinfeksi COVID-19
Jika sudah selesai maka untuk melakukan uji menghasilkan akurasi sebesar 98%.
coba dapat dilakukan dengan menjalankan Tingkat akurasi pendeteksian thorax terinfeksi
code python Object _ detection _ image.py COVID-19 pada model4 menggunakan algoritma
pada command promt, sehingga ketika proses Convolutional Neural Network dapat dinilai
setting tersebut selesai, maka dapat dilihat hasil bekerja dengan baik dengan beragam tingkat
uji coba dari data tersebut dengan ditandai akurasi pada hasil pengujian berkisar 60-99%.
kotak berwarna kuning untuk data gambar
6. Daftar Pustaka
COVID-19. Berikut adalah persentase akurasi
[1] W. Moh. Farid and S. Jagat, "Pemanfaatan
dari data diatas, yaitu:
Teknik Pengenalan Wajah Berbasis Opencv
untuk Sistem Informasi Pencatatan
Kehadiran Dosen," Infotek: Jurnal
Informatika dan Teknologi, vol. 1, no. 2, pp.
96 - 106, Juli 2018.
[2] I. Fathurrahman and I. Gunawan,
"Pengenalan Citra Logo Kendaraan
Menggunakan Metode Gray Level Co-
Occurence Matrix (Glcm) dan Jst-
Backpropagation," Infotek: Jurnal
Vol. 4 No. 2, Juli 2021
Hal. 217-227
e-ISSN 2614-8773
Informatika dan Teknologi, vol. 1, no. 1, p. Learning," Retrieved from Nature

47 – 55, Januari 2018. International Journal of Science, vol. 521
[3] I. Fathurrahman, A. Muliawan Nur and (7533), pp. 436-444, 2015..
Fathurrahman, "Identifikasi Kematangan [12] L. F. Basuki, 05 2020. [Online]. Available:
Buah Mentimun Berbasis Citra Digital http://elib.unikom.ac.id/gdl.php?mod=brows
Menggunakan Jaringan Syaraf Tiruan e&op=read &id=jbptunikompp-gdl-lutfifebri-
Backpropagation," Infotek: Jurnal 35958.
Informatika dan Teknologi, vol. 1, no. 2, pp. [13] F. Jalled, Object Detection Using Image
27 - 33, Januari 2019. Processing, Diakses dari
[4] Rismiyati, "Implementasi Convolutional https://arxiv.org/pdf/1611.07791.pdf, 2016..
Neural Network untuk Sortasi Mutu Salak [14] Goodfellow, I. Bengjo and A. Y. Courville,
Ekspor Berbasis Citra Digital," Yogyakarta, Deep Learning (Adaptive Computation and
2016. Machine Learning Series), The MIT Press,
[5] M. S. L.M. Samsu, "Komparasi Algoritma 2016.
Denoising Dan Binarization Dengan [15] Ldya and e. al, "Pengertian Citra,"
Adaptive Thresholding Dan Morfologi Untuk Universitas Sumatera Utara, Medan, 2010.
Menigkatkan Kualitas Keterbacaan Citra [16] R. Nouroz, "What is the benefit of using
Naskah Lontar (Takepan) Sasak," Jurnal average pooling rather than max pooling,"
Informatika dan Teknologi, vol. 3, pp. 204-
05 2020. [Online]. Available:
210, 02 07 2020. https://www.quora.com/What-is-the-benefit-
[6] Huang and e. al, "Clinical features of of-using-average-pooling-rather-than-max-
patients infected with 2019 novel pooling..
coronavirus in Wuhan China," The Lancet, [17] S. Sagar, "Activation Functions: Neural
vol. 6736(20), pp. 1-10, 2020. Networks," 05 2020. [Online]. Available:
[7] M. Saiful, "Implementasi Algoritma Naive https://towardsdatascience.com/activation-
Bayes Untuk Memprediksi Predikat functions-neural- networks1cbd9f8d91d6.
Ketuntasan Belajar Siswa Pasca Pandemi [18] T. Rahman, Maret 2020. [Online]. Available:
Covid 19," Jurnal Informatika, vol. 4, pp. 29- https://www.kaggle.com/tawsifurrahman/cov
38, 2021. id19-radiography-database?select=COVID-
[8] D. Wang and e. al, "Clinical Characteristics 19+Radiography+Database.
Of 138 Hospitalized Patients With 2019 [19] A. Sudianto and J. Sugiantara, “Website as
Novel Coronavirus-Infected Pneumonia in Foundation Information Media under the
Wuhan, China," Journal of The American auspices of Nahdlatul Wathan,” J. Phys.
Medical Association, vol. 323(11), pp. 1061- Conf. Ser., vol. 1539, no. 1, pp. 3–8, 2020,
1069, 2020. doi: 10.1088/1742-6596/1539/1/012024
[9] A. Ahmad, "Mengenal Artificial Intelligence,
Machine Learning, Neural Network, dan
Deep Learning," Jurnal Teknologi
Indonesia, 2017.
[10] L. &. Y. D. Deng, Deep Learning: Methods
and Application, Foundations and Trends in
Signal Processing., 2014. .
[11] LeCun, Y. Bengio and G. Y. Hinton, "Deep

3582 13288 1 PB

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

3582 13288 1 PB

Diunggah oleh

Hak Cipta:

Format Tersedia

Infotek : Jurnal Informatika dan Teknologi

Vol. 4 No. 2, Juli 2021

Muhammad Saiful1*, LM.Samsu2 , Fathurrahman3

Kata Kunci : Computer Vision, Deep Learning, Convolutional Neural Network

Keywords: Computer Vision, Deep Learning, Convolutional Neural Network

1. Pendahuluan karena infeksi virus ini disebut severe acute

2. Tinjauan Pustaka Penelitian yang dilakukan oleh (Imam

- Klik tombol “OpenDir”

Gambar 5. Training menggunakan Tensorflow

Gambar 7. Testing Data Baru

Setelah mendapatkan frozen _ inference _ Gambar 9. Hasil Deteksi COVID-19 pada

Informatika dan Teknologi, vol. 1, no. 1, p. Learning," Retrieved from Nature

Anda mungkin juga menyukai