NPM : 0617101052
BANDUNG
2020
BAB I
PENDAHULUAN
Penelitian sebelumnya yang dilakukan oleh Sharma, H., Jain, J. S., Bansal,
P., dan Gupta, S. (2020) dalam melakukan deteksi menggunakan X-Ray dan
pengklasifikasian penyakit Pneumonia menggunakan teknologi Deep Learning
dengan Convolutional Neural Network menghasilkan deteksi terhadap objek yang
merupakan pasien yang terinfeksi oleh Pneumonia. Hasil uji akurasi dan deteksi
penyakit pada citra X-ray ini mencapai 90,6% [1].
Akan tetapi dalam penelitian tersebut belum memuat suatu program untuk
memudahkan masyarakat untuk melakukan deteksi secara mandiri. Melakukan
deteksi dini terhadap virus ini akan membantu subjek yang terinfeksi untuk
melakukan pengobatan lebih lanjut, dan mencegah penuluran terhadap subjek yang
tidak terinfeksi, kemudian bagi yang tidak terinfeksi agar berhati-hati dan
mencegah agar subjek tidak tertular oleh virus tersebut. Sehingga hal ini dapat
meminimalisir penularan virus covid-19.
Virus SARS-CoV-2 dapat dideteksi dengan memanfaatkan data citra
berdasarkan CT-Scan X-Ray yang dilakukan oleh subjek. Tindakan tersebut dapat
dibantu dengan cara pengenalan terdahap pada suatu objek. Untuk melakukan
pengenalan objek tersebut, dikenal dengan teknologi machine learning. Machine
Learning ini akan mencoba menirukan bagaimana proses manusia belajar dan
mengeneralisasi melalui proses pelatihan, pembelajaran, atau training terhadap data
yang disebut dengan data training lalu akan mengambil kesimpulan dari hasil data
untuk dianalisis. Deep learning merupakan teknologi yang paling populer untuk
mengenali suatu kegiatan atau objek yang memiliki tingkat keakuratan lebih tinggi
dibanding dengan metode mesin sebelumnya [2]. Deep learning merupakan
algoritma jaringan saraf tiruan yang menggunakan data sebagai input dan
memprosesnya dengan menggunakan sejumlah lapisan tersembunyi (hidden layer).
Setelah itu melakukan transformasi non linier dari data masukan untuk menghitung
nilai output [3]. Dalam Deep Learning, representasi untuk lapisan-lapisan yang
tersembunyi dipelajari melalui model yang disebut neural network. Jenis neural
network yang digunakan untuk biasa digunakan pada data citra untuk mendeteksi
suatu objek yang ada didalamnya adalah CNN (Convolutional Neural Network).
1.3 TUJUAN
Penelitian pada permasalahan yang telah dijelaskan pada bagian latar
belakang masalah, bertujuan sebagai berikut:
1. Implementasi metode Deep Learning untuk mendeteksi virus covid19
berdasarkan citra X-ray.
2. Menerapkan preprocessing konvolsi pada citra X-ray yang kemudian
dijadikan dataset pada sesi training CNN.
3. Menganalisa hasil klasifikasi citra X-ray virus covid19 dari penggunaan
CNN guna memperoleh akurasi yang tinggi.
LANDASAN TEORI
2.1 Covid-19
Penyakit sindrom pernafasan akut yang parah Coronavirus 2 (SARS-CoV-
2) yang dimulai di Wuhan, Cina, pada akhir tahun 2019. Kemudian menyebar ke
seluruh dunia dan menjadi pandemi global. Virus SARS-CoV-2 umumnya
menyerang sistem pernapasan.
Angka kejadian wabah ini mencapai 26 juta kasus dengan 870 ribu
diantaranya mengalami kematian diseluruh dunia. Saat ini, metode Real-Time
Transcription Polymerase Chain Reaction (RT-PCR) menjadi standar untuk
mendiagnosis penyakit COVID-19. Namun pada daerah dengan kasus yang terus
meningkat, angka negatif palsu juga terus ditemukan. Pada proses pengambilan
sampel, sampel dari saluran pernapasan bawah memiliki nilai diagnostik lebih
tinggi daripada saluran pernapasan atas, namun pengambilan sampelnya lebih sulit.
Beberapa pasien mungkin tidak dapat terdiagnosis dan dicegah pada tahap dini,
yang dikhawatirkan akan memberi hasil yang lebih buruk. Selain itu, selama
menunggu hasil deteksi virus dari RT-PCR juga dapat menyebabkan keterlambatan
diagnosis penyakit.
[1] H. Sharma, J. S. Jain, P. Bansal, and S. Gupta, "Feature Extraction and Classification
of Chest X-Ray Images Using CNN to Detect Pneumonia," in 2020 10th
International Conference on Cloud Computing, Data Science & Engineering
(Confluence), 2020, pp. 227-231.
[2] L. Deng and D. Yu, "Deep Learning: Methods and Applications," Foundations and
Trends in Signal Processing, vol. 7, 01/01 2013.
[3] W. Silfianti, "IMPLEMENTASI DEEP LEARNING MENGGUNAKAN
FRAMEWORK TENSORFLOW DENGAN METODE FASTER REGIONAL
CONVOLUTIONAL NEURAL NETWORK UNTUK PENDETEKSIAN
JERAWAT," Jurnal Ilmiah Teknologi dan Rekayasa, vol. 23, pp. 89-102, 01/01
2018.
[4] R. Wei, F. Zhou, B. Liu, X. Bai, D. Fu, Y. Li, B. Liang, and Q. Wu, "Convolutional
Neural Network (CNN) Based Three Dimensional Tumor Localization Using Single
X-Ray Projection," IEEE Access, vol. 7, pp. 37026-37038, 2019.
[5] F. Schäfer, C. Zeiselmair, J. Becker, and H. Otten, Synthesizing CRISP-DM and
Quality Management: A Data Mining Approach for Production Processes. 2018, pp.
190-195.
[6] Ş. Akçay, T. Özlü, and A. Yılmaz, "Radiological approaches to COVID-19
pneumonia," (in eng), Turkish journal of medical sciences, vol. 50, no. SI-1, pp. 604-
610, 2020.
[7] A. Borghesi and R. Maroldi, "COVID-19 outbreak in Italy: experimental chest X-ray
scoring system for quantifying and monitoring disease progression," (in eng), La
Radiologia medica, vol. 125, no. 5, pp. 509-513, 2020.
[8] D. Jakhar and I. Kaur, "Artificial intelligence, machine learning and deep learning:
definitions and differences," Clinical and Experimental Dermatology, vol. 45, no. 1,
pp. 131-132, 2020.
[9] J. Alzubi, A. Nayyar, and A. Kumar, "Machine Learning from Theory to Algorithms:
An Overview," Journal of Physics: Conference Series, vol. 1142, p. 012012, 11/01
2018.
[10] P. Glauner, Deep Learning For Smile Recognition. 2016, pp. 319-324.
[11] H. Song and S.-Y. Lee, Hierarchical Representation Using NMF. 2013, pp. 466-473.
[12] M. Mijwil, A. Esen, and A. Alsaadi, "Overview of Neural Networks," vol. 1, p. 2,
04/01 2019.
Sample Dataset
X-Ray Normal X-Ray Covid-19