Electronic Theses and Dissertation

Penyakit Tuberkulosis (TB) merupakan salah satu penyakit yang menjadi ancaman sepanjang sejarah umat manusia. TB pernah menjadi epidemik besar dan kemudian berubah menjadi endemik, seperti penyakit menular lainnya dalam siklus waktu tertentu. Penyakit ini disebabkan oleh bakteri Mycobacterium tuberculosis yang menyerang pernapasan. Salah satu tes untuk memeriksa infeksi TB adalah dengan rontgen paru (X-ray toraks), yang dapat memberikan gambaran klinis dari kondisi paru. Selama ini proses analisis hasil X-ray toraks paru dilakukan secara manual oleh ahli radiologi ataupun dokter ahli dengan melihat citra untuk menentukan seseorang terinfeksi bakteri penyebab TB atau tidak. Namun demikian dengan banyaknya kasus dan kurangnya tenaga medis diperlukan sistem otomasi berbantukan komputer yang mampu menganalisis citra X-ray paru untuk mengurangi salah interpretasi. Seiring berkembangnya teknologi, berbagai penelitian telah berupaya mengembangkan sistem otomasi untuk menganalisis citra X-ray paru dengan memanfaatkan teknologi deep learning. Sistem otomasi ini diharapkan mampu membantu tenaga medis dalam menganalisis citra secara cepat dan akurat. Meskipun demikian, tantangan yang masih sering dihadapi adalah kualitas citra X-ray yang relatif rendah, yang pada akhirnya dapat memengaruhi kinerja dan akurasi model deep learning yang dibangun. Penelitian ini bertujuan untuk meningkatkan kinerja model deep learning dalam mengenali citra X-ray toraks paru secara lebih optimal, dengan peningkatan kualitas citra. Penelitian ini diawali dengan mengevaluasi kinerja beberapa model CNN berbasis transfer learning pada citra X-ray paru yang bersumber dari dataset yang berbeda. Kombinasi dataset yang digunakan, yaitu dataset Shenzhen, kombinasi dataset Montgomery–Belarus–RSNA, serta gabungan keempat dataset (Shenzhen, Montgomery, Belarus, dan RSNA). Langkah evaluasi ini penting dilakukan untuk mengetahui seberapa baik arsitektur CNN yang ada mampu mengenali pola citra X-ray TB dan normal dari berbagai variasi data. Selanjutnya, penelitian ini fokus pada upaya peningkatan kualitas kontras citra X-ray toraks paru dengan menerapkan algoritma Contrast Limited Adaptive Histogram Equalization (CLAHE). Peningkatan kontras citra bertujuan agar detail struktur paru-paru yang penting dapat terlihat lebih jelas, sehingga memudahkan model mendeteksi area yang relevan. Selain itu, penelitian ini juga menerapkan mekanisme segmentasi dengan memanfaatkan arsitektur U-Net yang dilengkapi mekanisme atensi (attention mechanism). Teknik segmentasi ini digunakan untuk mengambil area penting pada citra X-ray, terutama area yang diduga menjadi tempat infeksi bakteri penyebab TB. Tahap akhir dari penelitian ini adalah membangun model pengklasifikasi citra X-ray paru ke dalam kategori TB dan normal dengan menggunakan arsitektur Vision Transformer, yang dikenal memiliki keunggulan dalam menangkap hubungan spasial antar bagian citra. Integrasi antara CLAHE, segmentasi U-Net, dan Vision Transformer diharapkan dapat menghasilkan model klasifikasi yang tidak hanya akurat tetapi juga stabil dalam proses pelatihan. Hasil penelitian menunjukkan bahwa penerapan algoritma CLAHE secara efektif mampu meningkatkan kontras citra X-ray, sehingga meningkatkan efektivitas proses pengenalan pola oleh model. Selain itu, hasil evaluasi menunjukkan bahwa model klasifikasi yang dilatih dengan citra hasil segmentasi mampu memberikan kinerja tinggi di berbagai konfigurasi pengujian. Akurasi validasi tertinggi yang dicapai adalah sebesar 97,75%, dengan konfigurasi terbaik diperoleh dari kombinasi segmentasi area sepertiga atas paru-paru dan pemrosesan CLAHE. Konfigurasi ini tidak hanya menghasilkan metrik klasifikasi tertinggi, tetapi juga menunjukkan kestabilan proses pelatihan dan kemampuan generalisasi yang baik ketika diuji pada data baru.

Tuberculosis (TB) is one of the diseases that has threatened humanity throughout history. TB was once a major epidemic and then became endemic, like other infectious diseases in a certain cycle of time. This disease is caused by the Mycobacterium tuberculosis bacteria that attacks the respiratory system. One of the tests used to check for TB infection is a chest X-ray, which can provide a clinical picture of the condition of the lungs. Until now, the process of analyzing chest X-ray results has been done manually by radiologists or medical experts by looking at the images to determine whether a person is infected with the bacteria that causes TB or not. However, with the large number of cases and the shortage of medical personnel, a computer-assisted automation system is needed that is capable of analyzing chest X-ray images to reduce misinterpretation. With the development of technology, various studies have attempted to develop an automation system to analyze chest X-ray images using deep learning technology. This automated system is expected to assist medical personnel in analyzing images quickly and accurately. However, a challenge that is still often encountered is the relatively low quality of X-ray images, which can ultimately affect the performance and accuracy of the deep learning model that is built. This study aims to improve the performance of deep learning models in recognizing chest X-ray images more optimally, with improved image quality. This study began by evaluating the performance of several transfer learning-based CNN models on chest X-ray images sourced from different datasets. he combination of datasets used, namely the Shenzhen dataset, the Montgomery–Belarus–RSNA dataset combination, and the combination of all four datasets (Shenzhen, Montgomery, Belarus, and RSNA). he combination of datasets used, namely the Shenzhen dataset, the Montgomery–Belarus–RSNA dataset combination, and the combination of all four datasets (Shenzhen, Montgomery, Belarus, and RSNA). This evaluation step is important to determine how well existing CNN architectures are able to recognize TB and normal X-ray image patterns from various data variations. Furthermore, this study focuses on improving the contrast quality of chest X-ray images by applying the Contrast Limited Adaptive Histogram Equalization (CLAHE) algorithm. The improvement in image contrast aims to make important lung structure details more visible, thereby making it easier for the model to detect relevant areas. In addition, this study also applies a segmentation mechanism by utilizing the U-Net architecture equipped with an attention mechanism. This segmentation technique is used to extract important areas in X-ray images, especially areas suspected of being infected with TB-causing bacteria. The final stage of this research is to build a model for classifying lung X-ray images into TB and normal categories using the Vision Transformer architecture, which is known for its ability to capture spatial relationships between image parts. The integration of CLAHE, U-Net segmentation, and Vision Transformer is expected to produce a classification model that is not only accurate but also stable in the training process. The results of the study show that the application of the CLAHE algorithm effectively improves the contrast of X-ray images, thereby increasing the effectiveness of pattern recognition by the model. In addition, the evaluation results show that the classification model trained with segmented images is capable of delivering high performance in various test configurations. The highest validation accuracy achieved was 97.75%, with the best configuration obtained from a combination of segmentation of the upper third of the lung and CLAHE processing. This configuration not only produced the highest classification metrics but also demonstrated training process stability and good generalization capabilities when tested on new data.