UNNESUNNES

Proceedings of International Conference on Mathematics, Science, and EducationProceedings of International Conference on Mathematics, Science, and Education

Covid‑19 merupakan penyakit menular yang menjadi perhatian kesehatan masyarakat secara global. Diagnosis melalui citra medis dapat mengidentifikasi kasus Covid‑19, namun peningkatan kasus menambah beban tenaga medis dan meningkatkan risiko kesalahan analisis. Oleh karena itu, deteksi otomatis berbasis deep learning diperlukan untuk menganalisis gambar radiografi dan CT‑Scan secara cepat dan efisien. Penelitian ini membandingkan kinerja model VGG16 dengan dan tanpa transfer learning (TL) pada klasifikasi biner Covid‑19 vs Normal menggunakan 800 gambar (80 % pelatihan, 10 % validasi, 10 % tes). Hasil menunjukkan bahwa VGG16 dengan TL mencapai akurasi tertinggi, yaitu 93,7 % pada radiografi dan 73,3 % pada CT‑Scan. Informasi ini menunjukkan bahwa metode transfer learning pada VGG16 efektif dalam mengenali kasus Covid‑19 dan Normal, sehingga aplikasi model ini dapat membantu menurunkan beban kerja radiologis dan meningkatkan penanganan pasien.

Model VGG16 pre‑trained dapat diterapkan pada klasifikasi biner (Covid‑19 dan normal) menggunakan citra radiografi dan CT‑Scan.Dengan transfer learning, model menunjukkan akurasi tinggi, yakni 93,70 % pada radiografi dan 73,33 % pada CT‑Scan, sehingga dapat menjadi alat diagnosa klinis yang membantu tenaga medis.Keterbatasan penelitian ini terletak pada keterbatasan perangkat keras, sehingga penggunaan dataset lebih besar dan penyesuaian paramater lebih lanjut di masa depan dapat meningkatkan kinerja model.

Untuk memperluas aplikasi model ini, ditelusuri pertanyaan penelitian apakah multi-modalitas data—menggabungkan radiografi, CT‑Scan, dan data klinis— dapat meningkatkan akurasi klasifikasi dibandingkan satu jenis citra. Selanjutnya, dianalisis apakah penerapan teknik augmentasi data berbasis generative adversarial networks (GAN) dapat melambatkan bias dataset dan meningkatkan generalisasi model pada set data yang lebih heterogen. Terakhir, dijelajahi kemungkinan fine‑tuning arsitektur VGG16 dengan menambahkan layer attention atau transformasi konvolusional modern pada fase ekstraksi fitur, guna mengoptimalkan representasi fitur spesifik Covid‑19 pada citra radiologi.

  1. Journal of Medical Internet Research - Diagnostic Value of Imaging Modalities for COVID-19: Scoping Review.... doi.org/10.2196/19673Journal of Medical Internet Research Diagnostic Value of Imaging Modalities for COVID 19 Scoping Review doi 10 2196 19673
  2. Transfer Learning-Based Automatic Detection of Coronavirus Disease 2019 (COVID-19) from Chest X-ray Images.... doi.org/10.31661/jbpe.v0i0.2008-1153Transfer Learning Based Automatic Detection of Coronavirus Disease 2019 COVID 19 from Chest X ray Images doi 10 31661 jbpe v0i0 2008 1153
  3. Current Status of Burnout in Canadian Radiology - Daniel J. Cao, Casey Hurrell, Michael N. Patlas, 2023.... doi.org/10.1177/08465371221117282Current Status of Burnout in Canadian Radiology Daniel J Cao Casey Hurrell Michael N Patlas 2023 doi 10 1177 08465371221117282
Read online
File size641.36 KB
Pages11
DMCAReport

Related /

ads-block-test