Perpustakaan Digital ITB

COVID-19 adalah pandemi global yang pernah melanda dunia pada awal 2020-an. Saat itu, penyebarannya berlangsung sangat cepat dan karena keterbatasan alat dan tenaga medis ahli membuat pandemi COVID-19 sangat sulit dikendalikan. Sehingga, muncullah kebutuhan untuk membuat sebuah proses deteksi yang cepat sekaligus akurat. Beberapa metode diagnosis COVID-19, termasuk citra chest X- ray yang menangkap organ paru-paru dilakukan kemudian dicocokkan dengan hasil tes yang sudah ada seperti Reverse Transcription Polymerase Chain Reaction (RT- PCR) yang akurat. Suatu teknik deteksi COVID-19 menggunakan Deep Learning yang berbasis algoritma Convolutional Neural Network (CNN) dirancang khusus untuk tugas klasifikasi gambar umum seperti MobileNet-V3-Small yang kemudian diimplementasikan pada CXR menggunakan transfer learning. MobileNet-V3- Small adalah model yang ringan sekaligus efektif bahkan pada data yang terbatas (n ? 1000). Eksperimen dilakukan dengan menerapkan variasi jumlah data, teknik peningkatan citra, dan juga segmentasi citra. Hasil eksperimen menunjukkan bahwa jumlah data sangat berpengaruh pada performa model meskipun diamati ada diminishing returns, sedangkan teknik peningkatan dan segmentasi citra hanya memberikan keuntungan marginal pada performa model. Hasil pelatihan dan pengujian dengan MobileNet-V3-Small menunjukkan bahwa model yang dilatih pada 1000 data asli tanpa segmentasi mencapai akurasi dan skor-F1 tertinggi yakni 95,95% akurasi dan 0,9602 skor-F1. Sedangkan model yang dilatih dengan data yang ditingkatkan oleh CLAHE dengan segmentasi pada 1000 data mencapai sensitivitas tertinggi, yakni 0,9870 yang sangat cocok untuk screening awal.