ESTD PERPUSTAKAAN UNTAD
ESTD PERPUSTAKAAN UNTAD
| JudulOPTIMASI PARAMETER PADA SUPPORT VECTOR MACHINE MENGGUNAKAN ALGORITMA GENETIKA UNTUK KLASIFIKASI COVID-19 PADA CITRA X-RAY PARU – PARU |
| Nama: MUH.ANDIKA PUTRA |
| Tahun: 2021 |
| Abstrak COVID-19 merupakan jenis virus corona yang ditemukan pada akhir tahun 2019, pengidap virus COVID-19 dapat mengalami gangguan pernapasan hinggah kematian, pada bulan September 2020 tercatat berjumlah 26,331,492 kasus COVID-19 yang telah dikonfirmasi dan terus meningkat setiap harinya, fasilitas medis tidak dapat mengimbangi perkembangan virus COVID-19 yang tinggi, sehingga dibutuhkan metode yang efisien, ekonomis dan akurasi yang tinggi untuk mengklasifikasi penyakit COVID-19. Model yang diusulkan menggunakan arsitektur convolutional neural network (CNN) yang dapat menemukan fitur-fitur dari citra x ray paru-paru melalui lapisan konvolusi mendalam dengan pendekatan transfer learning. Keluaran fitur dari CNN digunakan sebagai masukkan fitur pada algortima klasifikasi support vector machine (SVM). Hyperparameters pada SVM dioptimasi menggunakan algortima genetika untuk mencari parameter yang optimal. Beberapa eksperimen dilakukan untuk menghasilkan akurasi yang tinggi dengan menggunakan kernel RBF, Polynominal, dan sigmoid untuk menentukan kernel terbaik yang digunakan dan arsitektur CNN resnet-50,inceptionv3, dan squeezenet untuk mencari arsitektur terbaik dalam mengekstrasi fitur. Berdasarkan eksperimen pada percobaan pertama menggunakan k-fold cross validation dengan nilai k=5, peningkatan akurasi tertinggi diperoleh sebesar 54.60?ngan menggunakan arsitektur inception-v3 dan kernel polynominal, kemudian akurasi tertinggi diperoleh dengan menggunakan arsitektur resnet-50 dan kernel polynominal sebesar 97.50%, kemudian percobaan kedua, dataset terbagi menjadi dua bagian yaitu 80?ta training dan 20?ta testing sehingga diperoleh hasil performa akurasi, sensitivitas, spesifisitas, F1-score, dan AUC sebesar 98.20%, 98.20%, 99.00%, 98.20?n 0.986 dengan menggunakan arsitektur resnet-50 dan kernel rbf. Maka dapat disimpulkan bahwa algortima genetika terbukti dapat meningkatkan akurasi model SVM, sehingga model yang dikembangkan dapat digunakan untuk membantu para ahli medis dalam proses pengambilan keputusan. Kata kunci: Support Vector Machine, Algortima Genetika, Optimasi Parameter, Convolutional Neural Network, Covid-19. |