INCREMENTAL ACTIVE LEARNING TO ENHANCE GENOSE C19 ADAPTABILITY IN COVID-19 DETECTION

IMAN RAHMAN, Prof. Dr. Kuwat Triyana, M. Si

2022 | Skripsi | S1 FISIKA

Hidung elektronik (GeNose C19) disusun dengan rangkaian sensor dan machine learning (ML) yang digunakan untuk menskrining COVID-19 menggunakan sampel napas. Dalam implementasinya GeNose C19 dilapangan, ditemukan bahwasanya terdapat perubahan pola sampel napas. Di mana perubahan ini dapat disebabkan adanya mutasi dari SARS-COV-2. Kondisi ini dapat membuat penurunan performa GeNose C19 jika model ML-nya tidak diperbarui dengan pola data baru. Di penelitian ini, metode incremental active learning diterapkan untuk meningkatkan kemampuan adaptasi model klasifikasi. Algoritma ini menunjukkan kemampuan untuk memilih data mana yang harus diadaptasi dan dapat meningkatkan performa dari mempelajari data yang telah dipilih tersebut. Penelitian ini menunjukkan incremental active learning dapat mengurangi data yang perlu dilabel hingga 40-50% dari total data. Incremental active learning juga menunjukkan kemampuan untuk beradaptasi dengan data baru dengan meningkatnya senstivitas dan specitivitas hingga mencapai 80% hanya dengan menggunakan 60-70% dari data yang telah dipilih oleh model. Kemampuan untuk memilih dan belajar dari data dilapangan menunjukkan performa yang menjanjikan dalam meningkatkan kemampuan adaptasi GeNose dalam mendeteksi COVID-19.

Electronic nose (GeNose C19) built by a TGS sensor array and machine learning (ML) is used for screening COVID-19 using breath samples. During the implementation of GeNose C19, it was found that there was a change in the sample breath pattern. This might be caused by the mutation of SARS-COV-2 virus. Where this condition can cause a reduction in the GeNose C19 performance if the ML model is not updated with the new pattern. In this study, incremental active learning method is employed to increase adaptability of the classification model. This algorithm shows the ability to choose which data need to be adopted and increase the model performance by learning the chosen data. This research shows that incremental active learning is able to reduce up to 40-50% of total data, which needs to be labeled from all the sampled data. Incremental active learning also showed the ability to adapt to new data with an increase in sensitivity and specificity up to 80% by using only 60-70% of data that the models were already choose. The ability to choose and learn from the data in the fields makes incremental active learning show a promising performance to increase the adaptability of GeNose to detect COVID-19.

Kata Kunci : COVID-19,GeNose C19, Incremental Active Learning, Machine Learning