Peningkatan Hasil Diagnosis Covid-19 Dari Hasil Citra Chest CT- Scan Menggunakan Metode Ekstraksi Ciri Dan Klasifikas
Abstract
Covid-19 merupakan pandemi global yang menyerang paru-paru dan menyebabkan
gangguan pernapasan akut seperti batuk, sesak napas dan juga mengakibatkan demam. Masa
inkubasi covid-19 rata-rata mencapai 5 – 6 hari. Kasus yang parah menyebabkan pneumonia,
sindrom pernapasan akut, gagal ginjal, dan bahkan kematian. Deteksi awal merupakan kunci
untuk menekan angka kematian yang disebabkan covid-19. Metode awal pemeriksaan skrining
yaitu menggunakan rapid test antibody dan Transcription-Polymerase Chain Reaction (RTPCR)
dan memerlukan pemeriksaan lanjut menggunakan citra medis chest CT-scan. Saat ini
pendeteksian covid-19 dengan citra chest CT-scan telah memanfaatkan pengolahan citra digital.
Tahapan dari proses pendeteksian terdiri dari proses pre-processing, segmentasi, ekstraksi fitur,
dan klasifikasi data. Proses ekstraksi fitur merupakan tahapan yang sangat penting untuk
menghasilkan deteksi yang akurat. Pada penelitian ini menggunakan ekstraksi fitur tekstur orde
satu, morfologi dan Gray Level Co-occurrence Matrix (GLCM), untuk proses hasil akhir
menggunakan klasifikasi K-Nearest Neighbors (KNN), Naïve Bayes, dan Support Vector
Machine, dengan jumlah data citra chest CT-scan digunakan sebanyak 130 data yang dibagi
menjadi dua kelas yaitu 75 non covid yang didefinisikan sebagai kelas 0 dan 55 covid yang
didefinisikan sebagai kelas 1. Berdasarkan dari penelitian yang telah diuji dan beberapa
perbandingan penelitian lain, didapatkan hasil akurasi tertinggi dengan menggabungkan semua
fitur yakni akurasi mencapai 87.05% dengan menggunakan klasifikasi K-Nearest Neighbors
(KNN). Dari hasil penelitian yang didapatkan, diharapkan sistem dapat membantu meningkatkan
hasil mendiagnosis covid-19 dengan tingkat performa yang tinggi pada penelitian yang telah
diuji.
Collections
- Electric Engineering [783]