KLASIFIKASI PENYAKIT COVID-19 DARI CITRA SINAR-X DADA DENGAN MENGGUNAKAN METODE BAYESIAN OPTIMIZATION DAN SQUEEZENET

COVID-19 merupakan penyakit menular yang disebabkan oleh virus.rnPenyebaran COVID-19 yang begitu pesat hingga menyebabkan pandemi dirnberbagai negara. Maka dari itu diperlukan sebuah metode yang berguna untukrnmendiagnosis penyakit COVID-19 secara cepat dan efektif. Menurut para ahli, padarncitra xray terdapat ground-glass opacities yang mampu digunakan untukrnmendiagnosa penyakit COVID-19. Dataset dibagi menjadi 3 kelas yaitu covid,rnpneumonia dan normal. Proses klasifikasi menggunakan metode ConvolutionalrnNeural Network (CNN) dengan arsitektur Squeezenet-Bayesian Optimization yangrndisingkat menjadi COVIDiagnosis-Net. COVIDiagnosis-Net merupakan metoderngabungan antara Arsitektur Squeezenet dan Bayesian Optimization. BayesianrnOptimization digunakan untuk training secara online untuk mencarirnhyperparameter terbaik pada arsitektur Squeezenet. Setelah didapatkanrnhyperparameter terbaik dilakukan proses training hingga mendapatkan modelrnterbaik. Penelitian ini juga dilakukan menggunakan dataset yang berasal darirnkaggle repository dengan jumlah 4945. Kemudian dataset dibagi menjadi 3 set datarnyaitu data validasi, data train dan data test dengan komposisi 80% data train, 20%rndata test dan 20% data validasi dari data train. Dari hasil uji coba yang telah dilakukanrndidapatkan hasil accuracy sebesar 93%dan F1-Score 93,5%. Selain itu,berdasarkan hasilrnevaluasi dengan grafik Receiver Operating Characteristic (ROC)didapatkan nilairnrata-rata Area Under Curve (AUC) sebesar 0,9888 atau 98,88%. Sehinggarnberdasarkan interpretasi nilai AUC yang ada,maka model COVIDiagnosis-net dapatrndikategorikan sangat baik karena memiliki nilai AUC diatas 0,9 (90%).