Nama Penulis : Muhammad Fikri Anafin , Mahasiswa Teknik Informatika Universitas Pamulang

COVID-19 merupakan suatu virus baru yang dinyatakan oleh WHO sebagai pandemi global sedangkan di Indonesia kasus penularaan COVID-19 terbilang tinggi dampaknya pemerintah membuat suatu kebijakan baru dengan tujuan memutus penularan covid-19. Hal tersebut menjadi tantangan dalam mengatasi dan menghadapi pandemic COVID-19.
Beberapa strategi telah diterapkan untuk menekan laju pertambahan penderita yang relatif sangat cepat. Usaha untuk menolak penyakit ini sangatlah sulit atau bahkan tidak mungkin, namun kita dapat menekan laju pertumbuhan yang cepat ini agar seimbang dengan kemampuan perawatan medis. Dengan demikian angka kematian dapat diturunkan. Strategi tersebut termasuk pelacakan asal mula penderita, isolasi kota/negara dan atau melakukan tes masal. Saat ini diagnosis utama ditegakkan melalui uji polymerase chain reaction (PCR) dan swab tenggorokan ditambah dengan pendekatan konfirmasi untuk memberikan diagnosa yang akurat. Namun demikian, ini membutuhkan waktu dan biaya yang tidak sedikit. Proses diagnosa atau screening awal tidak mungkin menggunakan metode tesebut. Cara lain yang dapat dipertimbangkan adalah tindakan non-invasive melalui pencitraan paru karena mengacu pada gejala yang ditimbulkan yaitu sesak nafas sebagai akibat pneumonia akut.
Pemanfaatan kecerdasan buatan akan membantu mengurangi dampak dari kurangnya alat tes RT-PCR sehingga meminimalisir biaya dan waktu tunggu pengujian. Sedangkan citra radiologi telah banyak digunakan dalam pencitraan medis sehingga dapat bermanfaat pula dalam mendeteksi COVID-19.
Salah satu cara yaitu menggunakan metode CNN (Convolutional Neural Network) Munculnya teknologi pembelajaran mesin yang mendalam seperti CNN telah merevolusi kecerdasan buatan dalam beberapa tahun belakangan ini. Kata mendalam mengacu pada peningkatan besarnya jaringan berdasarkan jumlah lapisan atau tahapan. Secara khusus, didalam CNN terdapat struktur operasi matematika bernama convolution yang berlapis-lapis. Struktur CNN memiliki lapisan convolution yang mengekstraksi fitur dari input dengan filter yang pada dasarnya merupakan bentuk estimasi. Dengan estimasi ini CNN mampu mengurangi beban kinerja komputasi, diikuti lapisanlapisan berikutnya yang sepenuhnya terhubung layaknya jaringan saraf. Dengan menghubungkan satu atau lebih lapisan seperti itu, model CNN yang dalam terbentuk dan parameter internalnya disesuaikan untuk melakukan tugas tertentu, seperti klasifikasi atau pengenalan objek. Alih-alih memulai pengembangan model yang mendalam dari awal, pendekatan yang lebih rasional adalah membangun jaringan menggunakan model yang sudah terbukti.
CNN pada dasarnya adalah susunan banyak layer yang terdiri dari:
1.       Convolution Layer Pada convolution layer dilakukan ekstraksi fitur pada citra dengan melakukan proses konvolusi antara filter matrix dengan input citra. Dengan penggunaan banyak tingkat layer dan filter matrixyang berbeda, maka akan didapatkan fitur di level tinggi seperti edge, curve dan fitur warna.
2.       Pooling Layer Pooling layer digunakan untuk mengurangi ukuran spasial dengan tujuan mengurangi jumlah parameter dan komputasi, selain itu juga untuk menghindari kondisi overfitting dimana model sangat akurat memprediksi data latih namun gagal mengenali data di luar data latih. Jenis pendekatan pooling yang banyak digunakan yaitu max pooling dan average pooling. Max poolingmengambil nilai maksimum pada daerah tertentu, sedangkan average pooling mengambil nilai rata-rata.
3.       Fully Connected Layer
Fully connected layer adalah jaringan syaraf tiruan feedforward yang terdiri dari input layer,hidden layer dan output layer, dimana setiap neuron pada suatu layer terhubung secara penuh ke neuron pada layer sebelum dan setelahnya.

Note : Penulis bertanggung jawab atas semua isi tulisannya

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.