Implementasi Arsitektur Xception Untuk Klasifikasi Citra Covid-19 Radiography

Abstrak

Covid-19 adalah penyakit virus yang menyebabkan pneumonia serius dan berdampak pada berbagai bagian tubuh kita dari ringan hingga berat tergantung pada kekebalan tubuh pasien sistem. Infeksi ini pertama kali dilaporkan di Kota Wuhan, China pada Desember 2019, dan setelah itu, menjadi pandemi global yang menyebar dengan cepat di seluruh dunia. Mencegah penyebaran virus membutuhkan deteksi dini kasus positif dan untuk mengobati pasien yang terinfeksi secepat mungkin. Berdasarkan permasalahan tersebut, penelitian ini dilakukan untuk mengklasifikasi citra radiografi apakah terinfeksi Covid-19 atau tidak menggunakan arsitektur Xception dengan transfer learning. Hasil penelitian disajikan dengan visualisasi data, matriks konfusi, kurva ROC, dan laporan lainnya. Dataset yang digunakan ialah Covid-19 Radiography Database dengan 4 class yaitu COVID, Lung_Opacity, Normal, dan Viral_Pneumonia. Klasifikasi ini dilakukan untuk membantu deteksi dini kasus positif, dengan metode awal dilakukan pra-proses data seperti mengkonversi citra menjadi array, pelabelan data citra dan normalisasi data, kemudian dilakukan proses training dan testing dengan perbandingan 70% data untuk melatih pembangunan model dan 30% data mengevaluasi kinerja model. Hasil percobaan diperoleh akurasi pelatihan terbaik 92% dan akurasi validasinya sebesar 92% (best-fitting) dengan f1-score 25%. Rincian hasil untuk masing-masing kelas adalah sebagai berikut: ViralPneumonia dengan precision 25% dan recall 23%, Lung_Opacity dengan precision 24% dan recall 26%, Normal dengan precision 28% dan recall 30%, Covid dengan precision 24% dan recall 21%. Dan untuk skor ROC AUC sebesar 50%. Kata kunci—Convolution Neural Network (CNN), Covid-19 Radiography Database, Deep Learning, Pre-Processing, Xception.