A. Minarno, Mochammad Hazmi Cokro Mandiri, M. Alfarizy
{"title":"Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning","authors":"A. Minarno, Mochammad Hazmi Cokro Mandiri, M. Alfarizy","doi":"10.26760/ELKOMIKA.V9I3.493","DOIUrl":null,"url":null,"abstract":"ABSTRAKPenyakit COVID-19 dapat timbul karena berbagai faktor sebab dan akibat, sehingga penyakit ini memiliki efek buruk bagi penderita. Pencitraan CT-Scan memiliki keunggulan dalam memproyeksikan kondisi paru-paru pasien penderita, sehingga dapat membantu dalam mendeteksi tingkat keparahan penyakit. Dalam studi ini, penelitian dilakukan untuk mendeteksi penyakit COVID-19 melalui citra CT-Scan menggunakan metode Filter Gabor dan Convolutional Neural Networks (CNN) dengan Hyperparameter Tuning. Data yang digunakan yaitu citra CT-Scan SARSCoV-2 berjumlah 2481 gambar. Sebelum melatih model, dilakukan preprocessing data, seperti pelabelan, pengubahan ukuran, dan augmentasi gambar. Pengujian Model dilakukan dengan beberapa skenario uji. Hasil terbaik diperoleh pada skenario untuk model Filter Gabor dan CNN dengan Hyperparameter Tuning mendapatkan akurasi sebesar 97,9% dan AUC sebesar 99% dibandingkan dengan model tanpa Hyperparameter Tuning dan Filter Gabor.Kata kunci: COVID-19, CNN, Filter Gabor, Hyperparameter Tuning, COVID-19 Classification ABSTRACTCOVID-19 disease can arise due to various causal and causal factors, so it has an adverse effect on patients. CT-Scan imaging has an advantage in projecting the lung condition of patients with the patient, so it can help in detecting the severity of the disease. In this study, research was conducted to detect COVID-19 disease through CT-Scan imagery using Gabor Filter method and Convolutional Neural Networks (CNN) with Hyperparameter Tuning. The data used is CT-Scan SARSCoV-2 imagery amounting to 2481 images. Before training the model, preprocessing data is performed, such as labeling, resizing, and augmentation of images. Model testing is performed with multiple test scenarios. The best results were obtained in scenarios for The Gabor Filter model and CNN with Hyperparameter Tuning getting 97.9% accuracy and AUC by 99% compared to models without Hyperparameter Tuning and Gabor Filter.Keywords: COVID-19, CNN, Filter Gabor, Hyperparameter Tuning, COVID-19 Classification","PeriodicalId":344430,"journal":{"name":"ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika","volume":"23 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2021-07-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.26760/ELKOMIKA.V9I3.493","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1

摘要

COVID-19的非传染性疾病可能是由多种原因和影响因素引起的,从而对患者产生不良影响。ct扫描成像在预测患者的肺部状况方面具有优势,因此可以帮助检测疾病的严重程度。在这项研究中,研究通过使用Gabor滤波器和神经通路网络(CNN)的扫描图像检测COVID-19的疾病。ct扫描SARSCoV-2的数据为2481个图像。在对模型进行培训之前,先对数据进行筛选,如贴标签、调整和增强图像。模型测试采用了多个测试场景。在Gabor滤波器模型和CNN的超参数调谐器的场景中,最好的结果是得到97.9%的准确率,AUC的99%比没有超参数调谐和Gabor滤波器的型号。密码:COVID-19, CNN, Gabor,超标调谐,COVID-19经典调谐,covidct扫描显示有一个功能,它可以帮助检测疾病的某些部分。在这项研究中,研究采用高参数调谐的技术,通过cpt扫描扫描COVID-19疾病。可用数据是cg扫描sarscov 2 imagery amount到2481 images。在培训模型之前,数据的预应力是表现,就像标签、调整和增强图像一样。测试模型具有多重测试经验。最佳结果是为加伯滤波器模型和CNN的超参数调谐到97.9%的精确跟踪和AUC 99%比较到没有超参数调谐和加伯滤波器的模型。Keywords: COVID-19, CNN, Gabor滤镜,超参数调谐,COVID-19经典配置
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning
ABSTRAKPenyakit COVID-19 dapat timbul karena berbagai faktor sebab dan akibat, sehingga penyakit ini memiliki efek buruk bagi penderita. Pencitraan CT-Scan memiliki keunggulan dalam memproyeksikan kondisi paru-paru pasien penderita, sehingga dapat membantu dalam mendeteksi tingkat keparahan penyakit. Dalam studi ini, penelitian dilakukan untuk mendeteksi penyakit COVID-19 melalui citra CT-Scan menggunakan metode Filter Gabor dan Convolutional Neural Networks (CNN) dengan Hyperparameter Tuning. Data yang digunakan yaitu citra CT-Scan SARSCoV-2 berjumlah 2481 gambar. Sebelum melatih model, dilakukan preprocessing data, seperti pelabelan, pengubahan ukuran, dan augmentasi gambar. Pengujian Model dilakukan dengan beberapa skenario uji. Hasil terbaik diperoleh pada skenario untuk model Filter Gabor dan CNN dengan Hyperparameter Tuning mendapatkan akurasi sebesar 97,9% dan AUC sebesar 99% dibandingkan dengan model tanpa Hyperparameter Tuning dan Filter Gabor.Kata kunci: COVID-19, CNN, Filter Gabor, Hyperparameter Tuning, COVID-19 Classification ABSTRACTCOVID-19 disease can arise due to various causal and causal factors, so it has an adverse effect on patients. CT-Scan imaging has an advantage in projecting the lung condition of patients with the patient, so it can help in detecting the severity of the disease. In this study, research was conducted to detect COVID-19 disease through CT-Scan imagery using Gabor Filter method and Convolutional Neural Networks (CNN) with Hyperparameter Tuning. The data used is CT-Scan SARSCoV-2 imagery amounting to 2481 images. Before training the model, preprocessing data is performed, such as labeling, resizing, and augmentation of images. Model testing is performed with multiple test scenarios. The best results were obtained in scenarios for The Gabor Filter model and CNN with Hyperparameter Tuning getting 97.9% accuracy and AUC by 99% compared to models without Hyperparameter Tuning and Gabor Filter.Keywords: COVID-19, CNN, Filter Gabor, Hyperparameter Tuning, COVID-19 Classification
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信