Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Indonesia masuk kedalam 20 besar Negara terbanyak tekonfirmasi kasus COVID-19. Hingga 17 Mei 2021, sudah tercatat lebih dari 1 juta kasus COVID-19 terkonfirmasi dengan jumlah kematian mencapai lebih dari 48 ribu orang. tes Reverse transcriptionpolymerase chain reaction (RT-PCR) merupakan standarisasi alat pendeteksian dini COVID-19. Namun, tes RT-PCR membutuhkan waktu waktu yang lama dan biaya yang mahal dalam mengidentifikasi tahap awal kasus COVID-19. Hal ini mengakibatkan peningkatan jumlah pasien COVID-19 terjadi terus menerus secara eksponensial dan terjadi antrian panjang dalam menggunakan Intensive Care Unit (ICU) pada rumah sakit. Oleh karena itu, dibutuhkan alat pendeteksian dini yang cepat dan akurat salah satunya menggunakan citra chest X-ray. Deep learning merupakan salah satu metode klasifikasi citra yang populer dan terbukti baik dalam melakukan klasifikasi citra medis, salah satunya adalah Capsule Network (CapsNet) yang merupakan pengembangan dari Convolutional Neural Network (CNN). Pada penelitian ini, penulis menggunakan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief (Adapting Stepsizes by the Belief in Observed Gradients) untuk mengklasifikasikan citra chest X-ray COVID-19. Data yang digunakan dalam penelitian ini diambil dari situs kaggle yang berisi citra chest X-ray COVID-19. Selanjutnya, dilakukan tahap pra-pengolahan pada citra seperti resize dan menerapkan normalisasi agar semua citra dapat diinput ke dalam model dengan ukuran yang sama serta meningkatkan kinerja model. Hasil penelitian ini menunjukkan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief pada dataset citra chest X-ray COVID-19 dapat mengklasifikasikan data menjadi dua kelas, yaitu normal dan COVID-19, sehingga dapat membantu untuk mendiagnosis COVID-19 dengan baik. Selain itu, hasil terbaik juga diperoleh oleh model CapsNet berbasis Inception V3 dengan optimasi AdaBelief berdasarkan nilai loss sebesar 0,2703 dan akurasi 88,75% dibandingkan metode CapsNet tradisional dan berbagai optimasi lainnya untuk mengklasifikasikan dataset citra chest X-ray COVID-19. ......Indonesia is in the top 20 countries with the most confirmed cases of COVID-19. As of May 17, 2021, there have been more than 1 million confirmed cases of COVID-19 with the death toll reaching more than 48 thousand people. Reverse transcription polymerase chain reaction (RT-PCR) test is a standardization tool for early detection of COVID-19. However, the RT-PCR test takes a long time and is expensive to identify early stages of COVID-19 cases. This resulted in an exponential increase in the number of COVID-19 patients and long queues for using the Intensive Care Unit (ICU) at the hospital. Therefore, a fast and accurate early detection tool is needed, one of which is using chest X-ray images. Deep learning is one of the popular image classification methods and has proven good in classifying medical images, one of which is the Capsule Network (CapsNet) which is the development of the Convolutional Neural Network (CNN). In this study, the authors used the Inception V3-based CapsNet model with AdaBelief optimization (Adapting Stepsizes by the Belief in Observed Gradients) to classify COVID-19 chest X-ray images. The data used in this study was taken from the kaggle site which contains COVID-19 chest Xray images. Furthermore, pre-processing is carried out on the image such as resizing and applying normalization so that all images can be inputted into the model with the same size and improve model performance. The results of this study show that the Inception V3-based CapsNet model with AdaBelief optimization on the COVID-19 chest X-ray image dataset can classify data into two classes, namely normal and COVID-19, so that it can help to diagnose COVID-19 properly. In addition, the best results were also obtained by the Inception V3-based CapsNet model with AdaBelief optimization based on a loss value of 0,2703 and 88,75% accuracy compared to traditional CapsNet methods and various other optimizations to classify COVID-19 chest X-ray image datasets.

Abstrak :
Latar belakang: Kasus COVID-19 anak lebih jarang ditemukan daripada dewasa. Meskipun demikian, pada dasarnya anak tetap dapat terinfeksi SARS-CoV-2 dan turut berperan dalam transmisi penyakit. Pemeriksaan reverse transcription polymerase chain reaction (RT-PCR) merupakan baku emas untuk mendiagnosis COVID-19 namun memerlukan waktu relatif lama untuk memperoleh hasil. Radiografi toraks memiliki potensi menjadi modalitas diagnostik COVID-19 di masa pandemi. Sampai saat ini, belum ada penelitian terhadap penggunaan kategori gambaran radiografi toraks untuk menunjang diagnosis COVID-19 pada pasien anak. Metode: Penelitian ini dilaksanakan dengan desain potong lintang menggunakan data sekunder berupa hasil pemeriksaan radiografi toraks dan hasil RT-PCR terhadap 88 pasien anak di RSUPN Cipto Mangunkusumo mulai dari periode April 2020 hingga Oktober 2021, yang terdiri dari 22 pasien pneumonia COVID-19 dan 66 pasien pneumonia bukan COVID-19. Hasil: Analisis kappa Cohen untuk menilai kesesuaian antara kategori radiografi toraks (tipikal dan non-tipikal) dan hasil RT-PCR (pneumonia COVID-19 dan pneumonia bukan COVID-19) menunjukkan hasil nilai kappa ialah 0,22 (p = 0,033) yang mengindikasikan tingkat kesesuaian lemah namun bermakna. Simpulan: Tidak terdapat gambaran radiografi toraks yang khas pada anak dengan pneumonia COVID-19. Tidak terdapat kesesuaian yang baik antara kategori radiografi toraks dan hasil RT-PCR pada anak dengan pneumonia COVID-19. ......Background: COVID-19 pneumonia is rare in children. However, children may still be infected and transmit disease. RT-PCR is the gold standard in diagnosing COVID-19, although results may be delayed. Chest radiograph may have role in diagnosing COVID- 19. To dates, literature in chest radiograph categorization in diagnosing COVID-19 in children has yet to be found. Method: This study used secondary data of chest radiographs and RT-PCR result from 88 children in RSUPN Cipto Mangunkusumo from April 2020 to October 2021. Result: Kappa Cohen analysis of agreement between chest radiographic category and RT-PCR result showed kappa score of 0,22 (p = 0,033), indicating a weak agreement yet statistically significant. Conclusion: There is no pathognomonic chest radiograph findings of COVID-19 pneumonia in children. Agreement between chest radiographic category and RT-PCR testing in paediatric COVID-19 pneumonia is poor.