Electronic Theses and Dissertation

Tuberkulosis, COVID-19, dan Pneumonia merupakan penyakit menular dengan prevalensi tinggi yang menyerang paru-paru. Diagnosis berbasis citra X-ray seringkali terhambat oleh kualitas citra, sehingga memerlukan pendekatan komputasi canggih untuk meningkatkan akurasi. Penelitian ini mengevaluasi arsitektur Convolutional Neural Network (CNN), ResNet-50 dan EfficientNetB4, dengan metode prapemrosesan yang berfokus pada binerisasi citra menggunakan algoritma Niblack. Kinerja model kemudian dievaluasi secara komparatif pada dua tahap seleksi data: seleksi awal, yang menyaring citra biner berdasarkan bentuk dasar paru-paru, dan seleksi akhir, yang merupakan kurasi cermat untuk memastikan fitur serta ciri-ciri visual penyakit tetap terjaga setelah proses binerisasi. Hasil menunjukkan bahwa proses kurasi cermat ini secara fundamental meningkatkan keandalan kedua model, dengan akurasi ResNet-50 naik menjadi 85,7% dan EfficientNetB4 menjadi 82,1% dari akurasi awal 78,6% pada kedua arsitektur. Data dari seleksi akhir berhasil mengungkap keunggulan spesifik pada masing-masing model. ResNet-50 menunjukkan performa lebih baik dalam deteksi COVID-19 dengan precision 100% dan Tuberkulosis dengan F1-score 80%. Sebaliknya, EfficientNetB4 terbukti lebih efektif untuk klasifikasi Pneumonia, dengan mencapai precision dan specificity 100%, serta sedikit lebih unggul dalam mendeteksi kelas Normal. Dengan demikian, disimpulkan bahwa sementara kedua model memiliki performa sangat baik. Penelitian ini menegaskan bahwa potensi maksimal dan spesialisasi dari arsitektur canggih hanya dapat tercapai melalui proses seleksi data yang teliti dan berorientasi pada fitur penyakit.

Tuberculosis, COVID-19, and Pneumonia are infectious diseases with high prevalence that affect the lungs. Diagnosis based on X-ray images is often hindered by image quality, thus requiring advanced computational approaches to improve accuracy. This study evaluates two Convolutional Neural Network (CNN) architectures, ResNet-50 and EfficientNetB4, with a preprocessing method focused on image binarization using Niblack's algorithm. The model performance was then comparatively evaluated in two data selection stages: an initial selection, which filtered binary images based on the basic shape of the lungs, and a final selection, which involved meticulous curation to ensure that the visual features and characteristics of the diseases were preserved after the binarization process. The results show that this meticulous curation process fundamentally improved the reliability of both models, with ResNet-50's accuracy increasing to 85.7% and EfficientNetB4's to 82.1%, from an initial accuracy of 78.6% for both architectures. Data from the final selection successfully revealed the specific advantages of each model. ResNet-50 demonstrated better performance in detecting COVID-19 with 100% precision and Tuberculosis with an 80% F1-score. Conversely, EfficientNetB4 proved more effective for Pneumonia classification, achieving 100% precision and specificity, and was slightly superior in detecting the Normal class. Thus, it is concluded that while both models perform very well, this research affirms that the maximum potential and specialization of advanced architectures can only be achieved through a meticulous and disease feature-oriented data selection process.