View/Open

Author
ALDI, SANJAYA

Date Published
23 Sep 2026

Advisor
Rahman Indra Kesuma, S.Kom. M.Cs.,

Subject
Teknik Informatika

Publisher

Tuberkulosis (TB) merupakan salah satu penyakit infeksi utama di dunia, dan Indonesia masih termasuk dalam negara dengan beban kasus TB yang tinggi. Deteksi dini memiliki peran penting dalam mengurangi penularan penyakit serta meningkatkan keberhasilan pengobatan. Citra X-ray dada banyak digunakan dalam proses skrining TB karena pemeriksaannya relatif cepat, mudah diakses, dan memiliki biaya yang terjangkau. Namun, interpretasi citra X-ray dada masih sangat bergantung pada keahlian radiolog. Oleh karena itu, penerapan *deep learning* menjadi salah satu pendekatan yang berpotensi membantu proses klasifikasi Tuberkulosis secara otomatis. Penelitian ini bertujuan untuk menerapkan arsitektur ConvNeXt V2 dalam melakukan klasifikasi Tuberkulosis pada citra X-ray dada dengan menggunakan dataset original dan dataset hasil segmentasi paru-paru, serta membandingkan kinerjanya dengan arsitektur DenseNet201. Proses segmentasi paru-paru dilakukan menggunakan U-Net yang dilatih menggunakan dataset Chest X-Ray Masks and Labels yang terdiri atas 704 pasangan citra X-ray dada dan mask paru-paru. Tahap klasifikasi menggunakan TB Chest X-ray Database yang terdiri atas 4.200 citra X-ray dada, dengan 3.500 citra normal dan 700 citra Tuberkulosis. Evaluasi kinerja model dilakukan menggunakan metode *5-Fold Cross Validation*. Tahapan prapemrosesan citra meliputi segmentasi paru-paru, *resizing* citra menjadi 224 × 224 piksel, *data augmentation*, konversi citra ke dalam bentuk tensor, dan normalisasi menggunakan ImageNet. Konfigurasi terbaik ConvNeXt V2 diperoleh dengan menggunakan *learning rate* sebesar 0,0005 dan fungsi *Binary Cross Entropy* (BCE), sedangkan DenseNet201 memperoleh konfigurasi terbaik dengan menggunakan *Weighted Binary Cross Entropy* (WBCE). Kinerja kedua model dievaluasi berdasarkan *accuracy, precision, recall, F1-score*, serta waktu pemrosesan setiap citra uji. Hasil penelitian menunjukkan bahwa ConvNeXt V2 memiliki kinerja klasifikasi yang lebih tinggi dibandingkan DenseNet201 pada kedua dataset. Pada dataset original, ConvNeXt V2 memperoleh akurasi keseluruhan sebesar 98,4%, sedangkan DenseNet201 memperoleh akurasi sebesar 97,2%. Sementara itu, pada dataset hasil segmentasi, ConvNeXt V2 memperoleh akurasi sebesar 97,5%, sedangkan DenseNet201 memperoleh akurasi sebesar 90,7%. Hasil penelitian juga menunjukkan bahwa penggunaan dataset hasil segmentasi belum mampu meningkatkan kinerja klasifikasi dibandingkan dataset original. Hal tersebut disebabkan oleh hasil segmentasi yang masih mengalami *under-segmentation*, sehingga sebagian area paru-paru tidak tersegmentasi dengan baik dan menyebabkan berkurangnya informasi visual yang dapat digunakan oleh model dalam proses klasifikasi. Secara keseluruhan, ConvNeXt V2 menunjukkan kinerja klasifikasi yang lebih tinggi dan berpotensi digunakan sebagai salah satu pendekatan dalam mendukung diagnosis berbantuan komputer untuk mendeteksi Tuberkulosis melalui citra X-ray dada.

URI
https://repo.itera.ac.id/depan/submission/SB2609220059

Keyword
Tuberculosis Citra X-Ray Dada Segmentasi Paru-Paru U-Net ConvNeXt V2 DenseNet201 Deep Learning