Perpustakaan Digital ITB

Penyakit Infeksi Emerging (PIE) seperti COVID-19 menuntut pengembangan alat bantu diagnosis yang akurat dan efisien. Tingkat kesalahan diagnosis dapat meningkat karena kondisi pandemi belum sepenuhnya dikenal oleh para dokter. Di masa mendatang, sistem Diagnosis Berbantuan Komputer (CAD) akan sangat berharga karena dapat membantu dokter dalam proses diagnosis. Salah satu pendekatan yang dapat digunakan adalah integrasi jaringan saraf konvolusi (CNN) dan proses Gaussian mendalam (DGP) dalam model berbasis data citra medis. Metode integrasi CNN dan DGP mengembangkan model dengan kemampuan ekstraksi citra yang baik dengan prediksi yang bersifat probabilistik. CNN berfungsi sebagai alat ekstraksi fitur untuk menyederhanakan kompleksitas data citra, sedangkan DGP memberikan prediksi probabilistik yang dilengkapi dengan selang kepercayaan. Dengan integrasi tersebut metrik False Confidence Rate (FCR), rasio kesalahan prediksi model yang terlaksana secara konfiden, dapat diukur sehingga kesalahan diagnosis oleh seorang ahli dapat dimitigasi. Dalam meninjau keunggulan model terbangun, digunakan pengujian dengan data digit tulis tangan MNIST dengan akurasi mencapai 99.12% dan FCR 0% menunjukkan prediksi model terlaksana secara konfiden dan tepat. Pada data uji citra medis X-ray COVID-19 tercapai akurasi 99.71% dan FCR 0%. Semakin besar kuantitas titik induksi dan lapisan kompleksitas integrasi model CNN dan DGP, maka performa model cenderung semakin baik. Penelitian ini menunjukkan keterbaruan dalam pemanfaatan integrasi dua model pembelajaran mendalam. Integrasi antara Convolutional Neural Network (CNN) dan Deep Gaussian Process (DGP) berpotensi mendukung diagnosis medis pada tingkat yang lebih lanjut dengan kemampuan mitigasi kesalahan diagnosis yang lebih baik. Melalui pendekatan ini, para ahli medis dapat mengurangi waktu dalam peninjauan kasus medis hingga 82,6%.