Jaringan Syaraf Tiruan Perambatan Balik untuk Klasifikasi Covid-19 Berbasis Tekstur Menggunakan Orde Pertama Berdasarkan Citra Chest X-Ray

• Published in: Jurnal teknologi informasi dan ilmu komputer (Online) Vol. 9; no. 4; pp. 799 - 808
• Main Authors: Yudono, Muchtar Ali Setyo, Hamidi, Eki Ahmad Zaki, Jumadi, Jumadi, Kuspranoto, Abdul Haris, Sidik, Aryo De Wibowo Muhammad
• Format: Journal Article
• Language: Indonesian
• Published: University of Brawijaya 31.08.2022
• DOI: 10.25126/jtiik.2022945663
• ISSN: 2355-7699

COVID-2019 pertama kali muncul di kota Wuhan, Cina pada Desember 2019, kemudian menyebar dengan cepat ke seluruh dunia dan menjadi pandemi. Pandemi COVID-19 telah menyebabkan dampak yang cukup fataluntukkesehatan masyaraka. Merupakan hal yang sangat penting untuk mendeteksi kasus positif sedini mungkin untuk pencegahan penyebaran lebih lanjut dari virus ini. Teknik tes paling umum yang saat ini digunakan untuk mendiagnosa COVID-19adalah reverse-transcriptase polymerase chain reaction (RT-PCR). Pencitraan radiologis dada seperti chest X-ray memiliki peran penting dalam diagnosis dinipenyakit ini. Karena sensitivitas RT-PCR rendah 60% -70%, bahkan jika hasil negatif diperoleh, gejala dapat dideteksi dengan pemeriksaan gambar radiologi pasien. Teknik kecerdasan buatanyang digabungkan dengan pencitraan radiologis dapat membantu untuk mendiagnosis COVID-19 dengan lebih cepat dan akurat.Proses klasifikasi pada penelitian ini terdapat beberapa tahapan yaitu pra-pengolahan, segmentasi, ekstraksi ciri, dan klasifikasi. Ekstraksi ciri yang digunakan adalah berdasarkan tekstur orde pertama dan klasifikasi yang digunakan adalah jaringan syaraf tiruan perambatan balik. Sistem klasifikasi pada penelitian ini menghasilkan rata-rata akurasi klasifikasi sebesar 94,17% untuk kelas normal dan 77,5% untuk COVID-19. Hasil akurasi tertinggi didapat pada skenario pertama dengan hasil akurasi sebesar 88,8%. Nilai rata-rata sensitivitas yang didapat pada penelitian ini sebesar 94,17% untuk kelas normal dan 76,67% untuk kelas COVID-19. Nilai rata-rata spesifisitas yang didapat pada penelitian ini sebesar 76,67% untuk kelas normal dan 94,17% untuk kelas COVID-19.AbstractCovid-2019 first appeared in Wuhan, China, in December 2019, then quickly spread throughout the world and became a pandemic. The Covid-19 pandemic has had a fatal impact on public health. It is crucial to detect positive cases as early as possible to prevent the further spread of this virus. The most common test technique currently used to diagnose Covid -19 is the reverse-transcriptase polymerase chain reaction (RT-PCR). Chest radiological imaging such as chest X-ray has a vital role in the early diagnosis of this disease. Due to the low RT-PCR sensitivity of 60%-70%, symptoms can be detected by examining the patient's radiological images even if a negative result is obtained. Artificial intelligence techniques combined with radiological imaging can help diagnose Covid -19 more quickly and accurately. The classification process in this study consists of several stages, namely pre-processing, segmentation, feature extraction, and classification. The feature extraction used is based on the first-order texture, and the classification used is a backpropagation neural network. The classification system in this study resulted in an average classification accuracy of 94.17% for the normal class and 77.5% for Covid -19. The highest accuracy results were obtained in the first scenario, with an accuracy of 88.8%. The average sensitivity value obtained in this study was 94.17% for the normal class and 76.67% for the Covid -19 class. The average specificity value obtained in this study was 76.67% for the normal class and 94.17% for the Covid -19 class.