Evaluasi Image Resize Dan Thresholding Binary Pada Deteksi Covid-19 Berdasarkan Citra X-Ray Thorax Menggunakan Convolutional Neural Network

Agustin, Rizki Wulan (2021) Evaluasi Image Resize Dan Thresholding Binary Pada Deteksi Covid-19 Berdasarkan Citra X-Ray Thorax Menggunakan Convolutional Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 01111740000068-Undergraduate_Thesis.pdf - Accepted Version Restricted to Registered users only until 1 October 2023. Download (1MB) | Request a copy

Abstract

Covid-19 adalah penyakit yang disebabkan oleh infeksi virus corona baru 2019. Salah satu cara untuk mendiagnosis Covid-19 adalah melalui pemeriksaan radiologi. Pada metode konvensional, ahli radiologi melakukan pengamatan rontgen dada secara manual mengenai hal-hal yang tergantung pada kepentingan dan penilaian dokter. Hal itu karena ketidaktepatan dalam mendeteksi pasien Covid-19. Oleh karena itu diperlukan suatu sistem dengan ketelitian tinggi yang dapat membantu proses klasifikasi hasil pemeriksaan radiologi. Pada penelitian ini, convolutional neural network digunakan untuk membantu diagnosa penyakit ini dengan memanfaatkan data sekunder berupa data citra x-ray thoraks Covid-19, virus pneumonia, dan angka normal dengan 1.300 untuk setiap kelas yang terbagi menjadi 70%. untuk data latih dan 30% untuk data uji. Kumpulan data telah diproses melalui 3 tahap yaitu: resizing, binary threshold, dan citra asli. Hasil penelitian menunjukkan bahwa nilai akurasi yang dihasilkan untuk citra tanpa praproses, citra yang telah diubah ukurannya, dan citra yang telah dilakukan fungsi binary threshold masing-masing adalah 91,11%, 93,68%, dan 89,91%. Penerapan tahap resizing citra pada citra input menjadi citra dengan resolusi yang lebih kecil dapat meningkatkan nilai akurasi dan mempersingkat waktu komputasi yang dibutuhkan untuk model deteksi Covid-19. Pada saat yang sama, penerapan tahap ambang batas biner pada citra input dapat mengurangi nilai akurasi dan memperpanjang waktu komputasi yang diperlukan untuk model.
==================================================================
Covid-19 is a disease caused by infection with the 2019 novel coronavirus. One way to diagnose Covid-19 is through radiological tests. In the conventional method, the radiologist performs observations of the chest x-ray manually concerning things that depend on the interests and judgment of the doctor. It is due to the inaccuracy of detecting Covid-19 patients. Therefore, it is necessary to have a system with high accuracy that can help the classification process of radiological test results. In this study, the convolutional neural network used to help diagnose this disease by utilizing secondary data in the form of Covid-19 thorax x-ray image data, viral pneumonia, and the normal number with 1,300 for each class that is divided into 70% for training data and 30% for testing data. The data set has been conducted through 3 preprocessing stages: resizing, binary threshold, and the original image. The results showed that the resulting accuracy values for images without preprocessed, images that have been resized, and images that have been subjected to the binary threshold function were 91.11%, 93.68%, and 89.91%, respectively. Applying the image resizing stage on the input image into an image with a smaller resolution can increase the accuracy value and shorten the computation time required for the resulting Covid-19 detection model. At the same time, the application of the binary threshold stage on the input image can reduce the accuracy value and prolong the computational time required for the model.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	CNN, Resize, Threshold Binary
Subjects:	Q Science > QC Physics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Physics > 45201-(S1) Undergraduate Thesis
Depositing User:	Rizki Wulan Agustin
Date Deposited:	13 Aug 2021 21:20
Last Modified:	13 Aug 2021 21:20
URI:	http://repository.its.ac.id/id/eprint/86454

Actions (login required)

View Item