PENERAPAN MODEL CNN DENGAN ARSITEKTUR VGG-19 UNTUK KLASIFIKASI COVID-19 BERDASARKAN CITRA RONTGEN THORAX
Penelitian ini membahas penerapan model Convolutional Neural Network (CNN) dengan arsitektur VGG-19 untuk klasifikasi COVID-19 berdasarkan citra rontgen thorax. Latar belakang penelitian ini dilandasi oleh kebutuhan akan teknologi pendeteksi COVID-19 yang cepat dan akurat guna membantu tenaga medis. Dataset yang digunakan merupakan data publik dari Kaggle yang terdiri dari 3.616 gambar pasien COVID-19 dan 3.616 gambar normal. Model VGG-19 dilatih menggunakan metode transfer learning, kemudian dibandingkan dengan model baseline CNN untuk mengetahui efektivitas arsitektur dalam klasifikasi citra medis. Evaluasi performa dilakukan menggunakan confusion matrix dan metrik seperti akurasi, presisi, recall, serta F1-score. Hasil penelitian menunjukkan bahwa model VGG-19 dengan konfigurasi hyperparameter yang optimal mampu melampaui performa baseline, dengan akurasi validasi tertinggi mencapai 98,34%. Namun, hasil juga menunjukkan bahwa ketidaksesuaian pemilihan hyperparameter dapat menurunkan performa model secara signifikan. Penelitian ini menunjukkan potensi besar penggunaan arsitektur CNN seperti VGG-19 dalam mendeteksi COVID-19 melalui citra rontgen thorax, sekaligus menekankan pentingnya pemilihan konfigurasi hyperparameter yang tepat.
URI
https://repo.itera.ac.id/depan/submission/SB2508200052
Keyword
CNN VGG-19 Baseline Klasifikasi COVID-19