Bibliografi |
|
Barcode |
|
Pengarang |
Dhita Putri Pratama; |
Cat. Karya |
|
No. Induk |
|
Pembimbing |
|
Kata Kunci |
Klasifikasi COVID-19, Convolutional Neural Network (CNN), Grad-CAM, Word Embedding, Word2Vec. |
Pembimbing 3 |
|
Pembimbing 2 |
Ari Wibisono |
Tahun buku |
2021 |
Barcode RFID baru |
11684326 |
Progam Studi |
Ilmu Komputer |
Tahun Angkatan |
2017 |
Lokasi |
FASILKOM-UI; |
Tanggal Datang |
16/12/2021 |
Abstrak Indonesia |
ABSTRAK
Nama : Dhita Putri Pratama
Program Studi : Ilmu Komputer
Judul : Implementasi Sistem Klasifikasi dan Diagnostik
Coronavirus Disease 2019 (COVID-19) dengan Citra
Toraks
COVID-19 telah merenggut nyawa banyak manusia. Tercatat per tanggal 29 Juni 2021,
sudah terdapat sekitar 3,923,238 pasien yang meninggal dunia akibat penyakit dengan
tingkat penularan yang tinggi ini. Dengan semakin banyaknya orang yang terinfeksi
COVID-19, persediaan alat untuk mendeteksi penyakit ini pun juga semakin terbatas yang
dapat menyebabkan pandemi COVID-19 pun menjadi semakin tidak terkendali. Oleh
karena itu, penting untuk mempertimbangkan metode deteksi COVID-19 lainnya yang
dapat membantu para staf kesehatan untuk melakukan deteksi pasien positif COVID-19.
Metode deteksi COVID-19 lainnya yang bisa dipertimbangkan untuk dikembangkan
adalah metode deteksi COVID-19 dengan artificial intelligence. Dengan metode tersebut,
data-data seperti data gejala pasien, data citra toraks, serta data interpretasi citra
berupa teks dapat dimanfaatkan untuk mengembangkan suatu model prediksi COVID19. Ketiga tipe data yang berbeda tersebut dapat dikombinasikan sebagai data input untuk
membangun suatu model klasifikasi COVID-19. Pengkombinasian data yang berbeda
dapat dilakukan dengan cara melakukan konkatenasi pada tiap input layer yang menerima
data gejala dan data teks dengan suatu layer dari arsitektur CNN. Beberapa arsitektur
CNN yang dapat digunakan pada penelitian ini adalah ResNet, DenseNet, InceptionResNet, DarkCovidNet, CoroNet, dan COVID-Net. Selain itu, metode Grad-CAM juga
dipilih untuk proses deteksi persebaran coronavirus.
Hasil pengujian menunjukkan bahwa banyak model yang dihasilkan dari pendekatan
kombinasi data gambar, data tabular, dan data teks memiliki nilai sensitivitas, akurasi,
serta f1-score yang tinggi. Hal tersebut menunjukkan bahwa pendekatan tersebut secara
umum menghasilkan model-model dengan performa yang tinggi juga seimbang. Namun,
berdasarkan hasil pengujian pula, diketahui bahwa model yang memiliki performa
tertinggi dicapai oleh model dari pendekatan klasifikasi gambar dengan data tabular yang
menggunakan arsitektur DenseNet khususnya dengan nilai learning rate = 10−3
. Model
tersebut tercatat memiliki performa yang tinggi dan seimbang dengan nilai sensitivitasnya
mencapai angka 1,00, akurasi mencapai angka 0,94, dan F1-Score mencapai angka 0,94.
Kata kunci:
Klasifikasi COVID-19, Convolutional Neural Network (CNN), Grad-CAM, Word
Embedding, Word2Vec. |
Daftar Isi |
|
Cat. Umum |
|
Judul |
Implementasi Sistem Klasifikasi dan Diagnostik Coronavirus Disease 2019 (COVID-19) dengan Citra Toraks |
Asal |
|
Korporasi |
|
NPM |
1706039465 |
Abstrak English |
ABSTRACT
Name : Dhita Putri Pratama
Program : Ilmu Komputer
Title : The Implementation of Classification and Diagnostic System for
Coronavirus Disease (COVID-19) with Thorax Images
COVID-19 has taken the lives of many people. As of June 29th 2021, there were
approximately 3.923.238 deaths due to this highly contagious disease. With the increasing
number of infected people, the COVID-19 detection tool supplies are also getting limited
that can lead to an out-of-control situation. Therefore, it is quite necessary to consider
alternative methods for COVID-19 detection.
Another COVID-19 detection that can be considered to be developed is a COVID19 detection method with artificial intelligence. With artificial intelligence, a COVID-19
prediction model can be built by using any available data such as patient symptom dataset,
patient thorax images especially chest X-Ray, and thorax interpretations in text form.
Those three types of data can be utilized and combined as data input to build a COVID-19
detection system. The combination of those three different types of data can be done with
the concatenation of each input layer of tabular and text data with a layer from a CNN
architecture. In this study, there are six CNN architectures used and those are ResNet,
DenseNet, Inception-ResNet, DarkCovidNet, CoroNet, and COVID-Net. Besides, the
Grad-CAM technique is also implemented for coronavirus detection purposes.
The result shows that most of the models from the combined image, tabular, and
text datasets offer high sensitivities, accuracies, and scores of F1-Score. It means that
the combined image, tabular, and text datasets generally obtained high performance
and balanced models. However, according to the test results, the best performance
model is achieved by the combined image and tabular datasets approach with DenseNet
architecture and the learning rate of 10−3
. Such a model achieves the best performance
model with an accuracy score of 0.94, a sensitivity score of 1.00, and an f1-score of 0.94.
Key words:
COVID-19 Classification, Convolutional Neural Network (CNN), Grad-CAM, Word
Embedding, Word2Vec. |
Pengarang 2 |
|
Subjek |
|
Penguji 2 |
Laksmita Rahadianti |
Penguji 3 |
|
Pembimbing 1 |
Adila Alfa Krisnadhi |
Fisik |
xv, 64 hlm. ; 30 cm |
Bahasa |
Ind |
Lulus Semester |
|
Penerbitan |
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2021 |
Penguji 1 |
Dina Chahyati |
Lulus semester SI |
|
No. Panggil |
SK-1867 (Softcopy SK-1349) Source code SK-735 |