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

Abstract

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%.