Quantum Convolutional Neural Network pada Citra Toraks X-Ray sebagai Alternatif Diagnosis COVID-19
Abstract
Penelitian ini bertujuan untuk menemukan alternatif diagnosis COVID-19 menggunakan citra toraks X-Ray dengan metode Quantum Convolutional Neural Network. Data yang digunakan adalah data original dan data hasil augmentasi. Augmentasi yang dilakukan adalah augmentasi kontras, kecerahan dan rotasi. Parameter selanjutnya adalah pemilihan jumlah epoch yaitu 3, 5, 10, 15, 20, 25, 30, atau 35. Input data pada penelitian ini adalah 4 × 4 piksel citra toraks X-Ray yang selanjutnya ditransformasi ke dalam bentuk sirkuit 16 qubit. Data dalam bentuk sirkuit tersebut akan diproses dengan metode Quantum Convolutional Neural Network, dimana arsitektur Quantum Convolutional Neural Network ini terdiri dari layer quantum convolution, layer quantum pooling dan layer quantum neural network. Pemodelan tersebut memiliki hasil tertinggi pada penggunaan data original dan pemilihan epoch 25 yang menghasilkan akurasi 77%, sensitivitas 43% dan spesifisitas 82%. This research aims to find an alternative diagnosis of COVID-19 using thorax X-Ray images with the Quantum Convolutional Neural Network method. The data used is the original data and the augmented data. Augmentasi carried out is contrast, brightness and rotation augmentation. The next parameter is the selection of the number of epochs 3, 5, 10, 15, 20, 25, 30, or 35. The input data in this research is a 4 × 4 pixel X-Ray thorax image which is then transformed into a 16 qubit circuit. The data in the form of circuit will be implemented into a Quantum Convolutional Neural Network, where the architecture of this Quantum Convolutional Neural Network consists of a quantum convolutional layer, a quantum pooling layer and a quantum neural network layer. The modeling has the highest result using the original data and selecting epoch 25 which produces 77% accuracy, 43% sensitivity and 82% specificity.
Collections
- UT - Physics [1097]