PENERAPAN METODE CLAHE DAN DETEKSI TEPI SOBEL PADA ALGORITMA DEEP RESIDUAL NETWORK (RESNET) UNTUK DETEKSI COVID-19 BERDASARKAN CITRA X-RAY THORAX

Ramadhani, Anggita (2022) PENERAPAN METODE CLAHE DAN DETEKSI TEPI SOBEL PADA ALGORITMA DEEP RESIDUAL NETWORK (RESNET) UNTUK DETEKSI COVID-19 BERDASARKAN CITRA X-RAY THORAX. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (90kB)
	Text COVER.pdf Download (88kB)
	Text DAFTAR ISI.pdf Download (43kB)
	Text DAFTAR PUSTAKA.pdf Download (188kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (495kB)
	Text SKRIPSI FULL_Anggita Ramadhani_123170076.pdf Restricted to Repository staff only Download (6MB)

Abstract

Kasus COVID-19 yang terus bertambah dalam waktu singkat dan ketersediaan alat
kesehatan yang kurang memadai, menyebabkan banyak orang terlambat untuk ditangani,
salah satu penyebabnya dikarenakan cara untuk mendeteksi penyebaran COVID-19 yaitu
melalui tes SWAB-PCR menurut rekomendasi dari World Health Organization (WHO).
Akan tetapi tes tersebut memiliki kompleksitas yang rumit, harga yang tinggi, dan waktu
proses yang lama. Untuk itu perlu adanya deteksi dini guna mencegah penyebaran virus
semakin meluas, yaitu dengan menggunakan citra x-ray. Citra x – ray banyak digunakan
dalam klasifikasi citra deteksi, akan tetapi masih banyak citra yang memiliki kualitas gambar
yang kurang, seperti ada bagian yang terlalu gelap atau bagian tulang yang terlihat samar
sehingga gambar tidak terlihat dengan jelas. Oleh karena itu perlu dilakukannya
preprocessing untuk mengurangi masalah tersebut.
Pada penelitian ini dilakukan deteksi covid-19 dengan menggunakan algoritma deep
residual network (ResNet) kemudian diterapkan metode CLAHE untuk memberikan kontras
pada citra agar komposisi kecerahannya merata dan atau deteksi tepi sobel untuk
membedakan tepi dengan latar belakang agar citra dapat lebih mudah terbaca. Dataset yang
digunakan dalam penelitian ini sebanyak 1.200 citra masing – masing kelasnya yaitu,
COVID-19, Normal, Pneumonia Bacterial, Pneumonia Viral dengan pembagian data
training, validation, testing masing – masing sebesar 80%, 10%, 10%.
Berdasarkan pengujian yang telah dilakukan menggunakan confusion matrix, pada
skenario 1 dengan metode ResNet50 menghasilkan akurasi sebesar 85,2%, sedangkan pada
skenario 2 dengan metode CLAHE + ResNet50 menghasilkan akurasi sebesar 86,7%,
kemudian pada skenario 3 dengan metode Sobel + ResNet50 menghasilkan akurasi sebesar
84,2%, dan yang terakhir yaitu pada skenario 4 dengan metode CLAHE + Sobel + ResNet50
menghasilkan akurasi sebesar 84,4%. Sehingga hasil tertinggi diperoleh oleh skenario 2
dengan menggunakan parameter pada CLAHE yaitu clip limit sebesar 3.0, block size 8, serta
pada klasifikasi ResNet yaitu epoch 25, batch size sebesar 32, optimizer yang digunakan
yaitu Stochastic Gradient Descent (SGD) dengan learning rate 0,01 dan momentum 0,9.
Serta menggunakan scheduler yaitu ExponentialLR dengan gamma sebesar 0,1.
Kata Kunci : COVID-19, Deteksi, Citra X-Ray, CLAHE, Deteksi Tepi Sobel,
Convolutional Neural Network (CNN), Residual Network (ResNet).

Item Type:	Thesis (Other)
Uncontrolled Keywords:	COVID-19, Deteksi, Citra X-Ray, CLAHE, Deteksi Tepi Sobel, Convolutional Neural Network (CNN), Residual Network (ResNet).
Subjects:	T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	25 Aug 2022 01:59
Last Modified:	25 Aug 2022 01:59
URI:	http://eprints.upnyk.ac.id/id/eprint/30776

Actions (login required)

View Item