Home
Login.
Artikelilmiahs
47940
Update
JULIA ZAKI AULYA
NIM
Judul Artikel
Implementasi Arsitektur CNN Dalam Sistem Deteksi COVID-19 Pada Citra Chest X-Ray
Abstrak (Bhs. Indonesia)
Coronavirus Disease 2019 (COVID-19) merupakan penyakit menular yang disebabkan oleh virus SARS-CoV-2. Deteksi dini sangat penting untuk mencegah penyebaran dan meningkatkan penanganan pasien. Metode konvensional seperti RT-PCR memiliki keterbatasan dalam kecepatan dan akurasi. Penelitian ini mengusulkan klasifikasi otomatis COVID-19 dari citra chest x-ray menggunakan arsitektur Convolutional Neural Network (CNN) dengan transfer learning, termasuk VGG16, ResNet50, DenseNet201, MobileNet, dan NASNetMobile. Dataset diperoleh dari RSUA dan CC-CCII. Hasil menunjukkan bahwa NASNetMobile memberikan akurasi tertinggi sebesar 93,45%, diikuti oleh VGG16 (91,10%). Penelitian ini menunjukkan potensi metode berbasis deep learning dalam mendeteksi COVID-19 secara cepat dan akurat, serta mendukung tenaga medis dalam proses diagnosis. Kata Kunci: chest x-ray, CNN, transfer learning
Abtrak (Bhs. Inggris)
Coronavirus Disease 2019 (COVID-19) is an infectious disease caused by the SARS-CoV-2 virus. Early detection is essential to prevent the spread and improve patient care. Conventional methods such as RT-PCR have limitations in speed and accuracy. This study proposes an automatic classification method of COVID-19 from chest X-ray images using Convolutional Neural Network (CNN) architectures with transfer learning, including VGG16, ResNet50, DenseNet201, MobileNet, and NASNetMobile. The dataset was collected from Airlangga University Hospital and the CC-CCII database. Results show that NASNetMobile achieved the highest accuracy of 93.45%, followed by VGG16 (91.10). These findings indicate that deep learning-based methods have great potential for rapid and accurate COVID-19 detection, supporting medical personnel in the diagnostic process. Keywords: chest x-ray, CNN, transfer learning
Kata kunci
Pembimbing 1
Pembimbing 2
Pembimbing 3
Tahun
Jumlah Halaman
Save