Optimisasi Hyperparameter CNN Menggunakan Random Search Untuk Deteksi COVID-19 Dari Citra X-Ray Dada

CNN Hyperparameter Optimization Using Random Search to Detect COVID-19 From Chest X-Ray Image

Corona Virus Desease merupakan penyakit yang memiliki resiko penularan sangat tinggi sehingga mengakibatkan pandemi di seluruh dunia. Berbagai metode pencegahan dilakukan untuk menekan bertambahnya jumlah kasus akibat virus ini. Berbagai metode digunakan untuk mencegah penyebaran virus COVID-19, salah satunya dengan melakukan deteksi awal pada orang yang terindikasi mengalami gejala-gejala terpapar virus COVID-19. Alternatif lain yang bisa dipertimbangkan untuk mendeteksi COVID-19 pada pasien, yaitu menggunakan pendekatan deep learning dengan pencitraan CT dan X-Ray. Metode deep learning yang digunakan yaitu Convolutional Neural Network. Namun permasalahan yang sering dihadapi saat menggunakan CNN adalah kurang efisiennya nilai parameter yang digunakan pada setiap filter atau layer. Sehingga hasil yang didapatkan kurang optimal baik dari nilai akurasi maupun efisiensi dari model CNN. Proses optimisasi menjadi salah satu solusi yaitu dengan menerapkan algoritma Random Search untuk mencari kombinasi dari keempat nilai hyperparameter model CNN. Keempat hyperparameter tersebut terdiri dari convolutional layer, kernel size, fully connected layer, dan learning rate. Hasil perhitungan menunjukkan bahwa setelah dilakukan optimisasi menggunakan Random Search selama kurang lebih 65 menit didapatkan 50 model terbaik dengan nilai akurasi terbesar yaitu 95.38% dan akurasi terendah yaitu 88%.

The Corona Virus Disease is a disease that have a high risk of transmission, causing in worldwide pandemic. Various prevention methods carried out to reduce the number of cases due to the virus. Various methods are used to prevent the spread of the COVID-19 virus, one of which is by doing early detection in people who are indicated to have symptoms of COVID-19 virus. Another alternative is considered for detecting COVID-19 in patients by using a deep learning approach with imaging CT and X-Ray. The deep learning method used is Convolutional Neural Networks. But the problem that often encountered when using CNN is less efficient of the parameter values ​​used in each filter or layers. The results obtained are less than optimal both from the value of accuracy and efficiency of the CNN model. Process optimization is one of the solution, by implementing Random Search algorithm to find a combination of the four hyperparameter values ​​of the CNN model. The four hyperparameter consist of the convolutional layer, the kernel size, fully connected layer, and learning rate. The calculation results show that after optimization using Random Search for about 65 minutes got 50 the best model with the greatest accuracy value is 95.38% and the lowest accuracy is 88%.