Muhammad Irhamsyah Primary Author mixed material bibliography Banda Aceh Fakultas Pasca Sarjana 2025

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. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1706677 2025-12-08 09:55:47 2025-12-08 10:11:23 machine generated