Identifikasi Penyakit COVID-19 dan Tuberkulosis Menggunakan Metode Convolutional Neural Network Arsitektur GoogLeNet Berdasarkan Citra Rontgen Thorax

Abstract

Penelitian identifikasi penyakit COVID-19 dan tuberkulosis berdasarkan rontgen thorax dengan metode convolutional neural network (CNN) arsitektur GoogLeNet telah dilakukan untuk menganalisis dan meningkatkan nilai akurasi dari penelitian CNN GoogLeNet dalam mengidentifikasi penyakit COVID-19 dan tuberkulosis. Data penelitian diperoleh dari situs Kaggle yang terdiri dari 700 citra COVID-19, 700 citra normal, dan 700 citra tuberkulosis. Metode CNN GoogLeNet dalam mengidentifikasi citra dimulai dari tahapan augmentasi, pelatihan, dan pengujian. Tahap augmentasi diawali dengan mengecilkan dan memotong citra hingga berukuran 224×224 piksel, membuat citra dirotasi secara acak 5⁰ dan citra dibalik posisinya secara horizontal serta citra akan digeser secara acak sebesar 0,08 berdasarkan kemiringan 0,2⁰. Tahapan pelatihan dan pengujian menggunakan hyperparameter yang terdiri atas batch size (16, 32, dan 64), epoch (10, 30, dan 50), cross entropy loss, optimizer (Adam), dan learning rate 0,0001. Hasil penelitian menunjukkan bahwa CNN GoogLeNet mengidentifikasi penyakit berdasarkan derajat keabuan yang dimiliki oleh citra melalui proses feature learning dan classification. Derajat keabuan pada citra berkisar antara 0-255 sedangkan yang dimiliki penyakit COVID-19 dominan pada >200-255, penyakit tuberkulosis dominan pada >100-255, dan kondisi paru-paru normal dominan pada >0-100. Hasil penelitian berdasarkan proses klasifikasi pengujian menghasilkan akurasi 97% (batch size 16 dan epoch 10), 98% (batch size 16 dan epoch 30), 97% (batch size 16 dan epoch 50), 96% (batch size 32 dan epoch 10), 98% (batch size 32 dan epoch 30), 96% (batch size 32 dan epoch 50), 96% (batch size 64 dan epoch 10), 96% (batch size 64 dan epoch 30), dan 97% (batch size 64 dan epoch 50). Kata Kunci : Citra Rontgen, CNN, COVID-19, GoogLeNet, Tuberkulosis