Analisis Perbandingan Model Arsitektur CNN Dalam Pendeteksian Coronavirus Disease Menggunakan Citra X-Ray Paru-paru (Studi Kasus: Baseline CNN, InceptionResnetV2, VGG19, dan Xception)

Convolutional neural network (CNN) merupakan metode yang terdapat pada deep learning yang diklaim sebagai metode terbaik atas permasalahan yang berkaitan dengan image classification. Perkembangan metode CNN saat ini telah menghasilkan banyak model atau arsitektur CNN terlatih yang dapat digunakan pada berbagai macam data, salah satunya data citra x-ray paru-paru untuk pendeteksian COVID-19. Penelitian ini menggunakan beberapa model arsitektur CNN yaitu baseline CNN, VGG19, InceptionResnetV2, dan Xception. Pertanyaan penelitian dalam skripsi ini adalah bagaimana mengimplementasikan model arsitektur baseline CNN, VGG19, InceptionResnetV2, dan Xception dalam pendeteksian COVID-19 menggunakan citra x-ray paru-paru serta mengetahui model mana yang memiliki tingkat keakuratan terbaik.

Penelitian ini merupakan penelitian kualitatif dan penelitian pengembangan (Research and Development / R&D). Data citra x-ray paru-paru diperoleh dari website kaggle.com, kemudian data tersebut melalui tahapan data preprocessing agar siap digunakan pada proses training dan testing model. Setelah training dan testing selesai maka dilakukan evaluasi terhadap model untuk mengetahui tingkat keakuratan yang dihasilkan.

Berdasarkan pembahasan dan hasil analisis yang telah dilakukan dalam penelitian ini, maka diperoleh accuracy dari setiap model arsitektur CNN. Baseline CNN memiliki accuracy 83,17%, VGG19 93,29%, InceptionResnetV2 92,34% dan Xception 93,33%. Dari penelitian ini disimpulkan bahwa model arsitektur yang memiliki tingkat accuracy terbaik adalah Xception 93,33%, disusul VGG19 93,29%, InceptionResnetV2 92,34%, dan yang terakhir baseline CNN dengan nilai accuracy 83,17%.