KLASIFIKASI K-NEAREST NEIGHBOR CHEST X-RAY PASIEN COVID-19 DENGAN HARALICK FEATURES DAN HISTOGRAM OF ORIENTED GRADIENT 

K-NEAREST NEIGHBOR CLASSIFICATION OF CHEST X-RAY FOR COVID-19 PATIENTS WITH HARALICK FEATURES AND HISTOGRAM OF ORIENTED GRADIENT

Pandemi Covid-19 memiliki dampak serius pada kehidupan masyarakat. Salah satu langkah penting untuk mengatasi pandemi ini terletak pada kemampuan tenaga medis untuk mengidentifikasi pasien yang terinfeksi Covid-19 secara dini. Kemudian segera lakukan prosedur pengobatan dan isolasi pasien. Mendeteksi Covid-19 dari radiograph pasien mungkin menjadi salah satu cara tercepat untuk mengidentifikasi pasien Covid-19, yang didukung oleh penelitian sebelumnya yang menunjukkan gejala abnormal pada radiograph dada pasien Covid-19. Untuk mendeteksi pasien Covid-19 dari rontgen dada (CXR) yang terinspirasi dari penelitian sebelumnya yang menggunakan Artificial Intelligence, aplikasi classifier Machine Learning k-Nearest Neighbor telah dipelajari untuk hal yang sama. 1000 CXR diperoleh dari posisi Anterior-Posterior berlabel dari dataset COVID-Xray-5k, kemudian dipartisi dengan random sampling, 80% untuk training set dan sisanya untuk test set. Citra CXR yang ada dikonversi menjadi citra grayscale dimana diperoleh 149 fitur; 5 fitur adalah Haralick Features dan 144 fitur berasal dari Histogram of Oriented Gradient. Hasil klasifikasi dengan nilai estimasi k, dengan k = 10 mencapai akurasi rata-rata di atas 90% untuk jarak atau metric Euclid, Mahalanobis, Cosine, dan Cityblock. Oleh karena CXR pasien Covid-19 yang tersedia untuk umum terbatas, diperlukan penelitian terhadap dataset yang memiliki jumlah CXR pasien Covid-19 lebih banyak untuk menguji keakuratan classifier.

Covid-19 pandemic has a severe impact on people's lives. One of the crucial steps to counter this pandemic lies within the ability of medical personnel to identify patients infected with Covid-19 early, is paramount. Then immediately carry out treatment procedures and patient isolation. Detecting Covid-19 from a radiograph may be one of the fastest ways to identify Covid-19 patients, supported by previous studies that showed abnormal symptoms on the chest radiograph of Covid-19 patients. To detect Covid-19 patients from chest x-rays (CXR), inspired by previous studies using Artificial Intelligence, the application of the Machine Learning classifier k-Nearest Neighbor were studied for the same thing. 1000 CXR were obtained from labelled Anterior-Posterior positions from the COVID-Xray-5k dataset, then partitioned 80% by random sampling for the training set and the rest for the test set. The existing image converted into a grayscale image where 149 features obtained; 5 features are Haralick Features and 144 features are from the Histogram of Oriented Gradient. The classification results with the estimated value of k, with k = 10 achieve accuracy above 90% for the distance or metric Euclid, Mahalanobis, Cosine, and Cityblock. CXR of Covid-19 patients which is publicly available is limited. Due to the reason, research on datasets that have a larger number of Covid-19 patient CXRs to test the accuracy of the classifier is required.