KLASIFIKASI COVID19 MENGGUNAKAN ARSITEKTUR DARKCOVIDNET PADA CITRA RADIOGRAFI X-RAY DADA

Covid-19 adalah penyakit severe acute respiratory syndrome coronavirus yang menyebabkan gangguan pernapasan, infeksi paru paru, sehingga dapat juga menyebabkan kematian. Penyakit Covid-19 sudah tersebar ke seluruh negara termasuk negara Indonesia, oleh karena itu sangat diperlukan alat untuk bisa mendiagnosis penyakit Covid-19 pada X-ray dada agar bisa diklasifikasi sehingga dapat menentukan pelabelan kelas Covid-19. Penggunaan klasifikasi citra berfungsi untuk memproses penggabungan piksel pada suatu citra ke dalam kelompok untuk diinterpretasikan sebagai bentuk properti yang spesifik. Dengan klasifikasi citra, mempermudah pengelompokan individu untuk mewakili fitur dan pengelompokan sesuai fitur kelas citra. Pada citra radiografi X-ray dada, menggunakan multiclass-classification yang terdiri dari 3 kelas yaitu: Covid-19, Normal (No-Findings), dan Pneumonia. Dataset yang diperoleh berjumlah data 4.945 citra yang digunakan. Pada Citra X-ray dada akan melakukan proses input citra dan dilakukan resize image setelah itu dilakukan pada pembagian data 80% data train dan 20% data test. Pada proses pelatihan akan menggunakan Arsitektur DarkCovidNet, Arsitektur yang diusulkan terdiri dari 19 convolutional layer dan 5 maxpooling. Model Arsitektur DarkCovidNet ini terdapat proses DarkNet (DN), DN terdiri dari proses convolutional, batch normalization dan LeakyReLU. Pada penelitian yang dilakukan terdapat 4 skenario uji coba yaitu yang pertama hanya optimasi Adam, kedua penggabungan algoritma optimasi Adam dengan reduce learning rate pada 1 hidden layer, ketiga menambahkan jadi 2 hidden layer dan keempat menambahkan jadi 3 hidden layer. Hasil uji coba terbaik yang pada uji coba keempat dengan hasil akurasi sebesar 95,85%, F1-score 95,89%, AUC 99,48%, pada model yang dilatih dengan menggunakan penggabungan hypertuning keras tuner, optimasi Adam, reduce learning rate dan 3 hidden layer. Dapat ditarik kesimpulan bahwa, hasil model hasil uji coba yang relatif lebih baik adalah model yang dilakukan penggabungan hypertuning model keras tuner, optimasi Adam, reduce learning rate, dan 3 hidden layer.