Purwarupa Sistem Deteksi COVID-19 Berbasis Website Menggunakan Algoritma Convolutional Neural Network

Autor: Muhammad Syaiful Aliim, Ari Fadli, Yogi Ramadhani
Rok vydání: 2021
Předmět:
Zdroj: Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi); Vol 5 No 5 (2021): Oktober 2021; 876-883
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi); Vol 5 No 5 (2021): Oktober2021; 876-883
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), Vol 5, Iss 5, Pp 876-883 (2021)
ISSN: 2580-0760
DOI: 10.29207/resti.v5i5.3450
Popis: COVID-19 is a disease caused by coronavirus 2 (SARS-CoV-2). This virus belongs to the group of viruses that infect the respiratory system. Furthermore, the rapid rate of spread has made several countries implement a policy of implementing a lockdown to prevent the spread of this virus. In Indonesia, the government implemented the policy of "Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM)" to suppress the spread of this virus. Based on data from the Task Force for the Acceleration of Handling COVID-19 of the Republic of Indonesia, the number of confirmed positive cases as of August 6, 2021 is 3,568,331 people with a death toll of 102,375. The existence of the COVID-19 vaccine is currently under threat, this is due to the emergence of new variants of the COVID-19 virus. The RT-PCR method as the main standard used throughout the world in detecting this virus has a fairly high specificity, which is around 95 percent, which is a manual process that can only be done by health workers. In addition, this test takes a long time and the number of testing facilities is limited. The presence of X-ray scanning machines in hospitals can be used to increase the availability of COVID-19 testing facilities. The thoracic x-ray image generated by the scanner can be used to detect the virus easily, quickly and precisely. In this study, a website-based system was designed to detect the COVID-19 virus in thoracic x-ray images using a convolutional neural network algorithm. The results obtained show that this system is able to classify chest x-ray images into three classes, namely COVID-19, Viral Pneumonia, and normal. The accuracy value obtained is 89.6% and the F1 value is 87.9%.
COVID-19 adalah penyakit yang disebabkan oleh coronavirus 2 (SARS-CoV-2). Virus ini merupakan kelompok virus yang menginfeksi sistem pernapasan, Penyebarannya yang cepat membuat beberapa negara menerapkan kebijakan pemberlakuan lockdown untuk mencegah penyebaran virus Corona. Di Indonesia sendiri, pemerintah menerapkan kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) untuk menekan penyebaran virus ini. Berdasarkan data dari Gugus Tugas Percepatan Penanganan COVID-19 Republik Indonesia, jumlah kasus terkonfirmasi positif hingga 06 Agustus 2021 adalah sebanyak 3.568.331 orang dengan jumlah kematian 102.375 orang Melihat kondisi seperti ini, tentunya diperlukan perhatian lebih dalam penanganan COVID-19 ini. Keberadaan vaksin COVID-19 saat ini menjadi terancam, hal ini dikarenakan munculnya varian-varian baru dari virus COVID-19. Metode RT-PCR sebagai standar utama yang digunakan diseluruh dunia dalam mendeteksi virus ini memiliki spesifitas cukup tinggi yaitu sekitar 95 persen merupakan sebuah proses manual yang hanya dapat dilakukan oleh para tenaga kesehatan. Selain itu pengujian ini membutuhkan waktu yang cukup lama serta jumlah fasilitas pengujian yang terbatas. Keberadaan mesin pemindai sinar-X di rumah sakit dapat digunakan untuk menambah ketersediaan fasilitas pengujian COVID-19. Citra x-ray toraks yang dihasilkan mesin pemindai tersebut dapat digunakan untuk mendeteksi virus tersebut dengan mudah, cepat dan tepat. Pada penelitian ini, dirancang sebuah sistem berbasis website untuk mendeteksi virus COVID-19 pada citra x-ray toraks menggunakan algoritma convolutional neural network. Hasil penelitian yang diperoleh menunjukan sistem ini mampu mengklasifikasikan citra x-rays toraks menjadi tiga kelas yaitu COVID-19, Pneumonia Viral, dan normal. Nilai akurasi yang diperoleh mencapai 89.6% dan dengan nilai F1 sebesar 87.9%.  
Databáze: OpenAIRE
Externí odkaz: