Pengembangan Sistem Klasifikasi Citra Chest X-Ray Untuk Keperluan Skrining Penderita Potensial Covid-19

Tirta Nugraha, Dionisius Adianto (2021) Pengembangan Sistem Klasifikasi Citra Chest X-Ray Untuk Keperluan Skrining Penderita Potensial Covid-19. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 02311740000127-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (1MB) | Request a copy

Abstract

Penelitian ini berisi tentang penggunaan model pengekstraksi fitur dari Convolutional Neural Network (CNN) dengan pengklasifikasi Support Vector Machine (SVM). Arsitektur CNN yang digunakan adalah ResNet-101 tanpa ada pretrained. Data yang dimasukan pada model CNN berupa gambar chest x-ray (CXR) yang dilakukan grayscaling, dan dilakukan resizing hingga berdimensi 512×512 dengan tiga buah channel RGB. Untuk model hybrid, SVM ditempatkan setelah layer terakhir pada model CNN. Analisa performansi dari setiap model menggunakan confusion matrix dan khusus untuk CNN dilakukan analisa visual menggunakan Grad-CAM. Hasil yang didapatkan dari percobaan yang dilakukan, performansi dari model CNN untuk mendeteksi COVID-19 memiliki sensitivitas, presisi, dan akurasi secara berturut-turut adalah 0.96, 0.63, dan 0.73. Untuk hasil selanjutnya, pengklasifikasi Hybrid CNN dengan SVM tidak dapat membedakan antara COVID-19, Normal, dan penyakit lainnya. Citra yang diklasifikasi dilakukan visualisasi menggunakan Grad-Cam untuk mengetahui pada yang dilihat pada model CNN sehingga dapat memberikan kepercayaan terhadap sistem namun belum dapat memberikan informasi mengenai fitur penciri dan penciri biologis pada citra.
================================================================================================
In this research, chest x-ray were classified into three categories–COVID-19, Normal, and others with Convolutional Neural Network (CNN) model and Hybrid model. The CNN used ResNet-101 architecture without any pretrained weights. The Hybrid model used CNN as feature extractor while Support Vector Machine (SVM) as a classifier at the end of CNN layer. The input data have been grayscaled and resized into 512×512 in pixel dimension with three RGB channel. The model performaced were analyze using confusion matrix. For CNN model, the extracted feature were visualized using Grad-CAM to know the reliability of the system. The CNN performed with sensitivity 0.96, precision 0.63, accuracy 0.73. The Hybrid system did not perform well because SVM could not classify all three categories. The Grad-CAM result gives what the model see in the chest x-ray images but we can not identify the specific feature or the bio marker.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	CNN, SVM, COVID-19, Grad-CAM, Skrining, Screenning
Subjects:	T Technology > T Technology (General) > T385 Visualization--Technique T Technology > T Technology (General) > T57.62 Simulation
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User:	Dionisius Adianto Tirta Nugraha
Date Deposited:	27 Aug 2021 05:56
Last Modified:	27 Aug 2021 05:56
URI:	http://repository.its.ac.id/id/eprint/89981

Actions (login required)

View Item