AGUNG FAUZI Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro 2025

Skripsi

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. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 161171 2025-07-15 05:03:11 2025-07-15 09:24:59 machine generated