Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Klasifikasi Rontgen Citra Paru untuk COVID-19 Menggunakan Convolutional Neural Network Berbasis Arsitektur EfficientNetV2

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 4 No. 1 (2024) · hlm. 278–289

DOI
10.51454/decode.v4i1.349
ISSN
2775-1813, 2775-2984
Terbit
2024-02-24
Penerbit
Universitas Muhammadiyah Kendari
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

Pada 30 Januari 2020, WHO mengumumkan wabah COVID-19 sebagai Darurat Kesehatan Masyarakat Internasional, memicu kebutuhan akan pendekatan cepat dalam diagnosis dan penilaian penyakit paru-paru. Meskipun pengamatan citra rontgen paru-paru menjadi metode yang menjanjikan, sistem penilaian manual memakan waktu, mendorong perlunya integrasi teknologi. Dalam konteks ini, perkembangan pesat visi komputer dan pembelajaran mesin memungkinkan pengembangan perangkat lunak untuk mengklasifikasikan citra rontgen secara efisien. Sejumlah penelitian telah mencatat keberhasilan berbagai arsitektur Convolutional Neural Networks (CNN) dalam pengklasifikasian penyakit paru-paru dengan hasil akurasi yang mengesankan. Studi ini memfokuskan pada eksplorasi arsitektur CNN, khususnya EfficientNetV2, dalam mengklasifikasikan citra rontgen paru ke dalam empat kelas: COVID-19, opasitas paru, Normal, dan pneumonia viral. Pada penelitian ini, proses pelatihan model menggunakan dataset COVID-19 Radiography dengan menerapkan teknik pensampellan ulang dan augmentasi beserta skema pembagian data sebagai teknik pemrosesan data, penggunaan metriks evaluasi seperti akurasi, perolehan, presisi, dan F1 juga dilakukan untuk mendapatkan model klasifikasi yang paling optimal. Hasil dari penelitian ini menunjukkan nilai metrics tertinggi yang didapatkan pada 97,05% untuk akurasi, 97,38% untuk presisi, 96,88% untuk perolehan, dan 97,13% untuk F1.

Jaringan kolaborasi para penulis

Belum ada rekan penulis di Melola.

Data ini berasal dari Crossref (yang disetorkan penerbit), karena endpoint OAI-PMH milik jurnal tidak dapat di-harvest.

Sumber metadata: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata sebagai oai_dc, dikonversi dari Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Klasifikasi Rontgen Citra Paru untuk COVID-19 Menggunakan Convolutional Neural Network Berbasis Arsitektur EfficientNetV2</dc:title><dc:creator>Hutomo Try Wibowo</dc:creator><dc:description>&lt;jats:p&gt;Pada 30 Januari 2020, WHO mengumumkan wabah COVID-19 sebagai Darurat Kesehatan Masyarakat Internasional, memicu kebutuhan akan pendekatan cepat dalam diagnosis dan penilaian penyakit paru-paru. Meskipun pengamatan citra rontgen paru-paru menjadi metode yang menjanjikan, sistem penilaian manual memakan waktu, mendorong perlunya integrasi teknologi. Dalam konteks ini, perkembangan pesat visi komputer dan pembelajaran mesin memungkinkan pengembangan perangkat lunak untuk mengklasifikasikan citra rontgen secara efisien. Sejumlah penelitian telah mencatat keberhasilan berbagai arsitektur Convolutional Neural Networks (CNN) dalam pengklasifikasian penyakit paru-paru dengan hasil akurasi yang mengesankan. Studi ini memfokuskan pada eksplorasi arsitektur CNN, khususnya EfficientNetV2, dalam mengklasifikasikan citra rontgen paru ke dalam empat kelas: COVID-19, opasitas paru, Normal, dan pneumonia viral. Pada penelitian ini, proses pelatihan model menggunakan dataset COVID-19 Radiography dengan menerapkan teknik pensampellan ulang dan augmentasi beserta skema pembagian data sebagai teknik pemrosesan data, penggunaan metriks evaluasi seperti akurasi, perolehan, presisi, dan F1 juga dilakukan untuk mendapatkan model klasifikasi yang paling optimal. Hasil dari penelitian ini menunjukkan nilai metrics tertinggi yang didapatkan pada 97,05% untuk akurasi,  97,38% untuk presisi, 96,88% untuk perolehan, dan 97,13% untuk F1.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2024-02-24</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v4i1.349</dc:identifier><dc:identifier>10.51454/decode.v4i1.349</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 4 No 1 (2024); 278-289</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/index.php/decode/article/download/349/166</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>