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)
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%...
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%.
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 217
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
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 218
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 219
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
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 220
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
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 221
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
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 222
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
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.
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 223
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 224
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 225
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 226
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
Infotek : Jurnal Informatika dan Teknologi – Vol.4 No. 2 Juli 2021 227