Detail Cantuman

Pandemi COVID-19 telah menimbulkan tantangan global dalam diagnosis yang cepat dan efisien terhadap virus SARS-CoV-2. Metode diagnosis konvensional seperti Rapid Diagnostic Test (RDT), Reverse Transcription Polymerase Chain Reaction (RT-PCR), dan Computed Tomography Scan (CTScan) seringkali memerlukan waktu yang lama dan harus dilakukan di fasilitas khusus. Penelitian ini mengeksplorasi penggunaan Deep Learning, khususnya Convolutional Neural Network (CNN) dengan arsitektur Inception-V4, untuk mengklasifikasikan COVID-19 melalui citra spektogram dan waveform yang dihasilkan dari suara batuk. Dalam upaya untuk mengoptimalkan performa model,
kami menerapkan metode hyperparameter tuning menggunakan GridSearch, yang secara sistematis mencoba berbagai kombinasi parameter untuk menemukan konfigurasi terbaik yang meningkatkan akurasi dan efisiensi model. Pada penelitian ini menggunakan dataset COSWARA dengan jumlah sampel 2432 suara batuk yang dibagi menjadi 3 kelas yaitu healthy, positive dan recovered. Percobaan yang dilakukan pada proses pembentukan model meliputi perbandingan penggunaan citra spektogram, citra waveform, citra kombinasi spektogram dan waveform, nilai learning rate, nilai batch size, dan penggunaan hyperparameter tuning GridSearch, hasil terbaik yang didapatkan yaitu nilai precision sebesar 74.14%, recall sebesar 78.27% dan F1-Score sebesar 74.15%. Dengan hasil yang demikian, ditemukan juga bahwa dataset yang digunakan adalah dataset yang dikategorikan extreme imbalance dengan perbandingan kelas minoritas dan mayoritas sebesar 1:12. Kata kunci: COSWARA, spektogram, waveform, Inception-V4, hyperparameter
tuning