Optimasi Deep Convolutional Neural Network (DCNN) untuk Klasifikasi Multi-Kelas COVID-19, Pneumonia, dan Paru Normal pada Citra X-ray Toraks

Abstract

Diagnosis COVID-19 yang cepat dan akurat, serta diferensiasinya paru Pneumonia, dan Normal, merupakan tantangan krusial dalam manajemen pandemi dan beban klinis. Interpretasi citra X-ray toraks seringkali menghadapi keterbatasan seperti subjektivitas dan beban kerja yang tinggi. Penelitian ini mengusulkan dan mengoptimalkan Deep Convolutional Neural Network (DCNN) untuk klasifikasi multi-kelas otomatis citra ke dalam tiga kategori yaitu COVID-19, Pneumonia (non-COVID), dan Paru Normal. Kami memanfaatkan tools Teachable Machine menggunakan arsitektur deep learning serta menerapkan strategi optimasi ekstensif pada hyperparameter. Datasset citra dilakukan prapemrosesan secara menyeluruh, termasuk normalisasi dan augmentasi data, untuk memastikan kualitas dan generalisasi model. Dataset dipisah menjadi dua bagian yaitu data latih (training) dan data uji (testing). Persentase data latih 85% dan data uji 15%. Berdasarkan temuan kami, nilai ini memiliki kinerja terbaik. Evaluasi kinerja model dilakukan menggunakan tabel confusion matrix untuk mengevaluasi akurasi pada dataset pengujian. Hasil pengujian menunjukkan bahwa model DCNN mampu memprediksi citra dengan sangat baik. Hasil evaluasi menunjukkan akurasi untuk kategori Covid-19 yaitu 93%, kategori Pneumonia 100%, dan Normal 100%. Hasil ini meningkatkan kepercayaan klinisi dan berkontribusi signifikan terhadap diagnosis medis yang lebih cepat, akurat, dan informatif