Electronic Theses and Dissertation

Abstrak–Tuberkulosis (TB) adalah penyakit infeksi yang dapat menyerang paru-paru dan organ lainnya. Dalam diagnosis TB, interpretasi citra X-ray memerlukan keahlian spesialis medis. Namun, terbatasnya alat dan tenaga medis menjadi salah satu tantangan dalam interpretasi citra. Oleh karena itu, penerapan Convolutional Neural Network (CNN) dapat membantu dalam pengenalan citra, khususnya citra X-ray. Penelitian ini bertujuan untuk membangun model pengklasifikasi citra X-ray untuk deteksi tuberkulosis dan normal menggunakan algoritma deep learning melalui penerapan sepuluh arsitektur CNN yang terdiri dari ResNet50, ResNet101, EfficientNetB0, EfficientNetB1, EfficientNetB2, EfficientNetB3, EfficientNetB4, EfficientNetB5, EfficientNetB6, dan EfficientNetB7 serta mengetahui pengaruh dari penggunaan dataset yang berbeda. Dalam penelitian ini menggunakan dataset dari empat sumber, yaitu dataset Shenzhen, Montgomery, Belarus, dan RSNA. Dataset tersebut dibagi menjadi tiga skema yang berbeda. Skema 1 hanya menggunakan dataset Shenzhen. Secara visual, citra dataset Shenzhen sulit dibedakan antara TB dan normal. Skema 2 menggunakan dataset Montgomery, Belarus, dan RSNA. Secara visual, citra dari ketiga sumber dataset tersebut umumnya menunjukkan perbedaan yang jelas antara TB dan normal, hanya terdapat beberapa citra yang sulit dibedakan. Skema 3 menggunakan dataset Shenzhen, Montgomery, Belarus, dan RSNA untuk mengetahui pengaruh dari penambahan jumlah dataset. Hasil penelitian menunjukkan bahwa model mencapai kinerja terbaik pada saat digunakan dataset berkualitas baik (skema 2), sementara pada skema 3 yang memiliki jumlah citra terbanyak tidak menghasilkan model pengklasifikasi yang baik. Selain itu, dalam pengenalan citra X-ray, ditemukan bahwa ResNet-101 terbukti memiliki performa kinerja yang sangat baik dengan mencapai tingkat accuracy sebesar 99,2%, sensitivity 98,5%, dan specificity 100%.
Kata Kunci: Tuberkulosis, Convolutional Neural Network (CNN), ResNet, EfficientNet.

Abstract–Tuberculosis (TB) is an infectious disease that can affect the lungs and other organs. In TB diagnosis, interpreting X-ray images requiresexpertise from medical specialists. However, limited medical resources andpersonnel pose a challenge in image interpretation. Therefore, the implementation of Convolutional Neural Networks (CNN) can aid in image recognition, particularly in X-ray images. This research aims to build a model for classifying X-ray images to detect tuberculosis and normal cases using deep learning algorithms through the application of ten CNN architectures, which include ResNet50, ResNet101, EfficientNetB0, EfficientNetB1, EfficientNetB2, EfficientNetB3, EfficientNetB4, EfficientNetB5, EfficientNetB6, and EfficientNetB7. Additionally, this study aims to examine the impact of using different datasets. The research employs datasets from four sources: Shenzhen, Montgomery, Belarus, and RSNA. These datasets are divided into three different schemes. Scheme 1 only utilizes the Shenzhen dataset, where visually, the X-ray images are difficult to distinguish between TB and normal cases. Scheme 2 uses datasets from Montgomery, Belarus, and RSNA, where visually, the X-ray images from these three sources generally exhibit clear differences between TB and normal cases, with only a few challenging images. Scheme 3 employs datasets from Shenzhen, Montgomery, Belarus, and RSNA to observe the effect of adding more data. The research findings indicate that the model performs best when using high-quality datasets (scheme 2). On the other hand, with the largest number of images in scheme 3, the classification model did not perform well. Furthermore, in X-ray image recognition, it was observed that ResNet-101 demonstrated excellent performance with an accuracy level of 99.2%, sensitivity of 98.5%, and specificity of 100%. Keywords: Tuberculosis, Convolutional Neural Network (CNN), ResNet, EfficientNet.