Electronic Theses and Dissertation

Chest X-ray merupakan teknik pencitraan radiologi yang banyak digunakan sebagai pemeriksaan awal untuk menilai kondisi paru karena mampu menampilkan perubahan densitas dan tanda abnormalitas secara cepat dan relatif murah. Dalam praktik klinis, dokter sering menghadapi variasi kualitas citra dan kelainan yang sangat halus, sehingga pembedaan antara paru normal, pneumonia, dan infeksi COVID-19 tidak selalu konsisten antar pembaca. Di sisi lain, banyak studi deep learning sebelumnya masih terbatas pada dataset berukuran kecil, skenario klasifikasi biner, serta model yang kurang mutakhir, sehingga belum sepenuhnya mencerminkan keragaman kasus di lapangan. Penelitian ini bertujuan membandingkan kinerja YOLOv9e (berbasis CNN) dan RT-DETR-L (berbasis transformer) untuk deteksi dan klasifikasi tiga kelas chest X-ray (normal, pneumonia, COVID-19) menggunakan 670 citra yang diambil dari Rumah Sakit Umum Daerah Zainoel Abidin yang setelah dilakukan pengolahan dan augmentasi menjadi 1.608 citra, lalu dibagi menjadi 1.407 citra data latih, 134 citra data validasi, dan 67 citra data uji. Evaluasi mencakup Precision, Recall, mAP@50, mAP@50–95, dan waktu inferensi per citra. Hasil menunjukkan bahwa YOLOv9e mencapai Precision 0,916, Recall 0,974, mAP@50 0,984, dan mAP@50–95 0,807 dengan waktu inferensi 24,1 ms/citra, sehingga lebih sesuai untuk kebutuhan skrining cepat dengan beban kasus tinggi. Sementara itu, RT-DETR-L memberikan Precision 0,931, Recall 0,961, mAP@50 0,978, dan mAP@50–95 0,818 dengan waktu inferensi 11,1 ms/citra, yang menunjukkan pelokalan lebih stabil pada ambang IoU ketat dan efisiensi komputasi lebih baik.
Kata kunci: Chest X-ray, Klasifikasi, YOLOv9e, RT-DETR-L, Deteksi Objek

Chest X-ray is a widely used imaging modality for the initial assessment of pulmonary disease, yet its interpretation remains affected by subjectivity and inter-reader variability, especially when differentiating normal lungs, pneumonia, and COVID-19. Previous deep learning studies often rely on small or binary datasets and less advanced architectures, which limits their ability to capture the diversity and complexity of real clinical cases. This study addresses this gap by performing a systematic comparison between a convolutional detector, You Only Look Once version 9e (YOLOv9e), and a transformer-based detector, Real-Time DEtection TRansformer large (RT-DETR-L), for multiclass detection and classification of chest X-ray images using a clinical dataset from Zainoel Abidin General Hospital, Banda Aceh. A total of 670 anonymized images labeled as normal, pneumonia, or COVID-19 were preprocessed, augmented, and used to train both models, which were evaluated in terms of Precision, Recall, mean Average Precision at an intersection-over-union threshold of 0.5 (mAP@50), mean Average Precision across thresholds from 0.5 to 0.95 (mAP@50–95), and per-image inference time. YOLOv9e achieved a Precision of 0.916, a Recall of 0.974, an mAP@50 of 0.984, and an mAP@50–95 of 0.807 with an inference time of 24.1 ms per image, indicating strong sensitivity for high-throughput screening scenarios. RT-DETR-L obtained a Precision of 0.931, a Recall of 0.961, an mAP@50 of 0.978, and an mAP@50–95 of 0.818 with an inference time of 11.1 ms per image, highlighting better computational efficiency and more stable localization under stricter overlap thresholds. Keywords: Chest X-ray, Classifications, YOLOv9e, RT-DETR-L, Object Detection