KLASIFIKASI COVID-19 CHEST X-RAY DENGAN TIGA ARSITEKTUR CNN (RESNET-152, INCEPTIONRESNET-V2, MOBILENET-V2)

Widi Hastomo (STMIK Jakarta STI&K)
Eko Hadiyanto (STMIK Jakarta STI&K)
Sutarno (STMIK Jakarta STI&K)

Prosiding SeNTIK STI&K
Vol. 5 No. 1 (2021): Prosiding SeNTIK 2021

Dalam dekade terakhir ini pemanfaatan mesin learning, khususnya Convolution Neural Network (CNN) telah banyak membantu dunia kesehatan. Dengan melakukan proses pelatihan dari sejumlah besar dataset image, CNN mampu mengklasifikasikan image tak berlabel dengan cepat dan akurasi lebih tinggi dibandingkan metode mesin learning lainnya. Penelitian ini bertujuan mengoptimasi dari tiga arsitektur CNN (ResNet-152, InceptionResNet-V2, dan MobileNet-V2) untuk mengklasifikasi penyakit covid-19, dengan melakukan training 4000 dataset image Chest x-ray. Hasil akurasi testing dari ResNet-152 yaitu 99%, lebih tinggi dibangingkan InceptionResNet-V2 hasil 98%, dan MobileNet-V2 hasil 93%. dengan presisi tiap kelas adalahCovid (99%), Lung_Opacity (97%), Normal (99%), Viral_Pneumonia (99%)