Peningkatan Hasil Diagnosis Covid-19 Dari Hasil Citra Chest CT- Scan Menggunakan Metode Ekstraksi Ciri Dan Klasifikas

Abstract

Covid-19 merupakan pandemi global yang menyerang paru-paru dan menyebabkan gangguan pernapasan akut seperti batuk, sesak napas dan juga mengakibatkan demam. Masa inkubasi covid-19 rata-rata mencapai 5 – 6 hari. Kasus yang parah menyebabkan pneumonia, sindrom pernapasan akut, gagal ginjal, dan bahkan kematian. Deteksi awal merupakan kunci untuk menekan angka kematian yang disebabkan covid-19. Metode awal pemeriksaan skrining yaitu menggunakan rapid test antibody dan Transcription-Polymerase Chain Reaction (RTPCR)

dan memerlukan pemeriksaan lanjut menggunakan citra medis chest CT-scan. Saat ini pendeteksian covid-19 dengan citra chest CT-scan telah memanfaatkan pengolahan citra digital. Tahapan dari proses pendeteksian terdiri dari proses pre-processing, segmentasi, ekstraksi fitur, dan klasifikasi data. Proses ekstraksi fitur merupakan tahapan yang sangat penting untuk menghasilkan deteksi yang akurat. Pada penelitian ini menggunakan ekstraksi fitur tekstur orde satu, morfologi dan Gray Level Co-occurrence Matrix (GLCM), untuk proses hasil akhir menggunakan klasifikasi K-Nearest Neighbors (KNN), Naïve Bayes, dan Support Vector Machine, dengan jumlah data citra chest CT-scan digunakan sebanyak 130 data yang dibagi menjadi dua kelas yaitu 75 non covid yang didefinisikan sebagai kelas 0 dan 55 covid yang didefinisikan sebagai kelas 1. Berdasarkan dari penelitian yang telah diuji dan beberapa perbandingan penelitian lain, didapatkan hasil akurasi tertinggi dengan menggabungkan semua fitur yakni akurasi mencapai 87.05% dengan menggunakan klasifikasi K-Nearest Neighbors (KNN). Dari hasil penelitian yang didapatkan, diharapkan sistem dapat membantu meningkatkan hasil mendiagnosis covid-19 dengan tingkat performa yang tinggi pada penelitian yang telah diuji.