Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi
Hutomo Try Wibowo
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Rontgen Citra Paru untuk COVID-19 Menggunakan Convolutional Neural Network Berbasis Arsitektur EfficientNetV2 Hutomo Try Wibowo
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 1: MARET 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i1.349

Abstract

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.
Co-Authors