Klasifikasi Penyakit Paru-Paru Berdasarkan Peningkatan Kualitas Kontras dan EfficientNet Menggunakan Gambar X-Ray

Bibliographic Details
Title:	Klasifikasi Penyakit Paru-Paru Berdasarkan Peningkatan Kualitas Kontras dan EfficientNet Menggunakan Gambar X-Ray
Authors:	Asfa Dhevi Azzumzumi, Muhammad Hanafi, Windha Mega Pradnya Dhuhita
Source:	Teknika, Vol 13, Iss 2, Pp 293-300 (2024)
Publisher Information:	Center for Research and Community Service, Institut Informatika Indonesia Surabaya, 2024.
Publication Year:	2024
Collection:	LCC:Information technology LCC:Computer software
Subject Terms:	penyakit paru-paru, clahe, efficientnet, covid-19, white balance, Information technology, T58.5-58.64, Computer software, QA76.75-76.765
More Details:	COVID-19 dan penyakit paru-paru telah menjadi faktor utama penyebab kematian manusia di seluruh dunia. Kematian pasien dipengaruhi oleh keterlambatan deteksi dini. Sebagian besar profesional medis menggunakan gambar untuk mengidentifikasi kondisi paru-paru. Namun, para ahli yang dapat me-diagnosis dengan gambar sangat terbatas. Diagnosis gambar mendiagnosa menggunakan penglihatan manusia secara konvensional. Klasifikasi penyakit paru-paru sangat bervariasi. Masalah yang disebutkan di atas menunjukkan bahwa deteksi penyakit paru-paru dengan Artificial Intelligence (AI) yang efektif telah ditetapkan. Namun, sebagian besar hasil penyakit paru-paru salah didiagnosis. Bagi pasien, masalah ini menjadi masalah besar. Bertujuan untuk menangani klasifikasi penyakit paru-paru dengan deteksi kesalahan yang tinggi, kami menggunakan beberapa teknik pre-processing gambar dan menerapkan model pembelajaran mendalam dalam EfficientNet. Model Pre-processing termasuk augmentasi, peningkatan white balance, dan peningkatan kontras. Berdasarkan penelitian sebelumnya, mayoritas proses analisa gambar medis mengalami kualitas gambar yang rendah. Berdasarkan laporan eksperimen, model yang kami usulkan mencapai hasil yang signifikan dalam mengurangi kesalahan deteksi pada klasifikasi penyakit paru-paru. Dimana hasil F1 score-nya 0,97, recallnya 0,98, presisinya 0,96, dan akurasinya 0,97. Kami mempertimbangkan untuk menggunakan model yang kami usulkan dalam klasifikasi multi-class. Kami mengevaluasi model yang kami usulkan menggunakan evaluation metric dan AUC Curve.
Document Type:	article
File Description:	electronic resource
Language:	English Indonesian
ISSN:	2549-8037 2549-8045
Relation:	https://ejournal.ikado.ac.id/index.php/teknika/article/view/881; https://doaj.org/toc/2549-8037; https://doaj.org/toc/2549-8045
DOI:	10.34148/teknika.v13i2.881
Access URL:	https://doaj.org/article/507b3cfeb7fe490dbfcdcc6931893b3d
Accession Number:	edsdoj.507b3cfeb7fe490dbfcdcc6931893b3d
Database:	Directory of Open Access Journals

More Details
ISSN:	25498037 25498045
DOI:	10.34148/teknika.v13i2.881
Published in:	Teknika
Language:	English Indonesian