Klasifikasi Chest X-Ray Images Berdasarkan Kriteria Gejala Covid-19 Menggunakan Convolutional Neural Network

Ayumi, Vina; Nurhaida, Ida

doi:10.36085/jsai.v4i2.1513

Cited by 5 publications

(5 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Data visual produk sayuran berkembang dari gambar biner ke hiperspektral. Kemajuan dalam teknik pencitraan telah menghasilkan kecerdasaan yang lebih canggih yang mengarah pada penggunaannya sebagai standar implementasi dari aplikasi pada bidang pangan dan pertanian [1]- [7]. Penggunaan teknologi klasifikasi dan identifikasi citra dapat mewujudkan pemetikan dan penilaian sayuran secara otomatis, yang memiliki nilai aplikasi yang relatif luas.…”

Section: Pendahuluanunclassified

Effect of Bilateral Filter on Support Vector Machine Algorithm for Vegetable Product Classification

Salamah

2023

JSAI

View full text Add to dashboard Cite

The agricultural industry is now applying artificial intelligence-based classification methods for the analysis of vegetable products. This study aims to classify vegetable products as part of the research of the classification of objects in charge that are inherently more complex than other subsets of object classification. In this research, the classification model will use the image preprocessing method on the support vector machine (SVM) algorithm. The dataset of this study amounted to 21,000 data with the division of training data (15,000 data), testing data (3,000 data) and validation data (3,000 data). In this study, experiments from the implementation of bilateral filter and support vector machine (SVM) methods obtained the highest accuracy of 70.59%. This experiment uses bilateral filters with parameters 15, 75, and 75. Other experiments obtained accuracy of 34.21% (histogram equalization) and 65.68% (colour space conversion).

show abstract

Section: Pendahuluanunclassified

Effect of Bilateral Filter on Support Vector Machine Algorithm for Vegetable Product Classification

Salamah

2023

JSAI

View full text Add to dashboard Cite

show abstract

“…Akan tetapi untuk membedakan paru-paru pasien Covid-19 (Gambar 1a) dengan normal (Gambar 1b) cukup sulit sehingga diperlukan seorang radioterapis yang handal. Penelitian yang dilakukan oleh Ayumi dan Nurhaida menggunakan algoritma CNN dengan dua lapis convolution dan maxpooling untuk mengklasifikasi gambar X-ray Covid-19 [10]. Pada penelitian ini didapatkan f1-score bernilai 96,60%.…”

Section: Metode Pendeteksian Virus Covid-19 Yang Dianggap Efektif Saa...unclassified

Klasifikasi Citra X-Ray Covid-19 Menggunakan Three-layered CNN Model

Handoko

Timotius²,

Utomo³

2022

tech

View full text Add to dashboard Cite

Tragedi Covid yang melanda dunia perlu mendapat solusi pendeteksian yang cepat untuk mempermudah pengobatannya. Metode tes PCR jumlah alatnya lebih sedikit dibandingkan dengan mesin X-ray di Indonesia. Oleh karena itu, metode pengklasifikasi gambar X-ray dapat digunakan sebagai solusi alternatif. Pada penelitian ini diusulkan penggunaan model CNN dengan tiga lapisan convolutional dan maxpooling. Dataset image yang digunakan memiliki 1000 image teridentifikasi Covid dan 3000 image sebagai normal. Hyperparameter tuning dilakukan dengan cara membandingkan beberapa kombinasi hyperparameter; learning rate, dropout rate dan density. Model terbaik yang didapatkan adalah model tiga lapisan neural network dengan learning rate = 0,001, density = 64 dan dropout rate = 0,7. Model ini memiliki rata-rata akurasi sebesar 96% dan jumlah parameter sebanyak 7,1% dibandingkan acuan.

show abstract

“…Dengan menggunakan data citra gambar tanaman, computer akan mendeteksi secara otomatis jenis penyakit yang sedang dialami oleh tanaman padi [14], [15]. Penyakit tanaman padi cukup beragam, diantaranya dikarenakan oleh Brown Spot, Hispa, Leaf Blast dan lainnya [1], [11], [16], [17] Penelitian teknologi pengolahan citra untuk mendeksi penyakit tanaman padi telah dilakukan oleh [1], [18]- [24]. Penelitian oleh [1] membahas mengenai pengunaan arsitektur transfer learning untuk mendeteksi penyakit tanaman padi.…”

Section: Pendahuluanunclassified

Fine-Tuning Model Transfer Learning VGG16 Untuk Klasifikasi Citra Penyakit Tanaman Padi

Noprisson¹

2022

JSAI

View full text Add to dashboard Cite

Besarnya tingkat permintaan atas komoditas ini mendorong adanya perbaikan hasil pertanian dengan cara mengatasi penyakit pada tanaman padi. Deteksi penyakit pada tanaman padi sejak awal penanaman akan mengurangi dampak pertumbuhan tanaman cukup signifikan. Dengan adanya perawatan yang tepat dari hasil identifikasi kasus penyakit sejak ini akan menambah produktivitas hasil pertanian. Penelitian ini bertujuan membuat analisis kinerja klasifikasi penyakit tanaman padi convolution neural net (CNN) dengan arsitektur VGG16 menggunakan fine-tuning. Untuk meproses dataset dan mengelompokkan data menjadi empat kelas (BrownSpoty, Healthy, Hispa, dan LeafBlast), penelitian ini menggunakan beberapa tahapan metodologi. Tahapanya antara lain data preparation, feature extraction, training, comparing dan evaluating model. Sebagai hasil, VGG16 without fine tuning mendapatkan akurasi 50.88% sedangkan VGG 16 with fine tuning mendapatkan akurasi 63.50% pada proses traning. Pada proses validasi, VGG16 without fine tuning mendapatkan akurasi 52.50% sedangkan VGG 16 with fine tuning mendapatkan akurasi 62.08%. Pada proses testing, VGG16 without fine tuning mendapatkan akurasi 54.19% sedangkan VGG16 with fine tuning mendapatkan akurasi 62.21%.

show abstract

Klasifikasi Chest X-Ray Images Berdasarkan Kriteria Gejala Covid-19 Menggunakan Convolutional Neural Network

Cited by 5 publications

References 8 publications

Effect of Bilateral Filter on Support Vector Machine Algorithm for Vegetable Product Classification

Effect of Bilateral Filter on Support Vector Machine Algorithm for Vegetable Product Classification

Klasifikasi Citra X-Ray Covid-19 Menggunakan Three-layered CNN Model

Fine-Tuning Model Transfer Learning VGG16 Untuk Klasifikasi Citra Penyakit Tanaman Padi

Contact Info

Product

Resources

About