Analisis Performa Model CNN Arsitektur VGG-19 untuk Memprediksi Penyakit Paru Tuberculosis Berdasarkan Hasil Citra Rontgen X-ray
Mycobacterium tuberculosis adalah bakteri yang menyebabkan penyakit tuberkulosis yang dapat menyebar dengan cepat, sehingga deteksi dini sangat penting untuk mencegah penularannya. Penelitian ini bertujuan untuk mengembangkan serta menganalisis performa model Convolutional Neural Network (CNN) dalam mendeteksi penyakit Tuberkulosis secara otomatis menggunakan citra rontgen dada (chest X-ray). Dalam penelitian ini, dua arsitektur model CNN yang berbeda diuji, yaitu model CNN baseline yang sederhana dan arsitektur VGG-19 menggunakan transfer learning. Kedua model tersebut dioptimalkan dengan proses tuning hyperparameter dengan mengombinasikan optimizer, dropout serta batch size. Evaluasi performa dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score berdasarkan confusion matrix. Hasil pengujian menunjukkan bahwa model CNN baseline memperoleh akurasi validasi tertinggi sebesar 75,95%. Arsitektur VGG-19 menunjukkan performa yang jauh lebih baik dengan menghasilkan akurasi validasi 89,87%. Hasil penelitian mengindikasikan bahwa model VGG-19 yang telah dioptimalkan memiliki potensi besar untuk digunakan sebagai alat deteksi dini Tuberkulosis yang efektif dan akurat.
URI
https://repo.itera.ac.id/depan/submission/SB2508200047
Keyword
Tuberkulosis Convolutional Neural Network (CNN) VGG-19 Baseline Klasifikasi