IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TUBERKULOSIS PADA CITRA RONTGEN DADA

Latar belakang. Tuberkulosis (TBC) adalah penyakit menular serius yang disebabkan oleh bakteri Mycobacterium tuberculosis, yang berdampak signifikan pada kesehatan global, terutama di negara berkembang seperti Indonesia. Metode deteksi TBC yang ada saat ini, seperti pemeriksaan dahak dan rontgen dada, memiliki keterbatasan dalam hal kecepatan, biaya, dan akurasi, sering kali menghasilkan sensitivitas dan spesifisitas yang rendah. Untuk mengatasi tantangan ini, diperlukan pendekatan baru yang lebih cepat, akurat, dan terjangkau dalam mendeteksi TBC, terutama pada tahap awal penyakit. Tujuan. Penelitian ini bertujuan untuk meningkatkan akurasi deteksi TBC pada citra rontgen dada dengan menggunakan model Convolutional Neural Network (CNN) terbaru dan mengembangkan aplikasi web untuk klasifikasi TBC secara otomatis. Metode. Data rontgen dada yang dikumpulkan melalui proses pre-processing, termasuk penyesuian ulang dan augmentasi data untuk memastikan konsistensi input. Beberapa model CNN, seperti EfficientNetV2B0, MobileNetV3, NASNetMobile, dan DenseNet121, dilatih menggunakan transfer learning dan dievaluasi untuk menentukan model terbaik. Model dengan kinerja terbaik kemudian diimplementasikan dalam aplikasi web menggunakan Streamlit, yang memungkinkan pengguna untuk mengunggah citra rontgen dada dan mendapatkan hasil klasifikasi secara otomatis. Hasil. Di antara model yang diuji, MobileNetV3 menunjukkan kinerja terbaik dengan akurasi 98,10%, presisi 100%, dan F1-Score 99,84%, menjadikannya pilihan yang unggul untuk deteksi TBC. Kesimpulan. MobileNetV3 terbukti efektif dalam mendeteksi TBC pada citra rontgen dada, dan implementasi model ini dalam aplikasi web menghasilkan alat yang praktis dan dapat diandalkan untuk membantu dalam diagnosis klinis TBC.