Penerapan Inception V3 Untuk Deteksi Penyakit Tuberkulosis Berdasarkan Citra Rontgen Dada Melalui Sistem Berbasis Web

Davit Saputra Purba; Juliansyah Putra Tanjung; Juanda Putra Sinaga; Febrianta Tarigan; Mhd Allifi Rifqi

doi:10.51454/decode.v5i3.1228

Authors

Davit Saputra Purba Teknik Informatika Universitas Prima Indonesia
Juliansyah Putra Tanjung Teknik Informatika Universitas Prima Indonesia
Juanda Putra Sinaga Teknik Informatika Universitas Prima Indonesia
Febrianta Tarigan Teknik Informatika Universitas Prima Indonesia
Mhd Allifi Rifqi Teknik Informatika Universitas Prima Indonesia

DOI:

https://doi.org/10.51454/decode.v5i3.1228

Keywords:

Inception V3, Pembelajaran Mesin, Komputer Vision, Sistem Deteksi, Tuberkolosis

Abstract

Tuberkulosis (TB) merupakan penyakit menular yang masih menjadi masalah serius di sektor kesehatan, khususnya di Indonesia. Proses diagnosis melalui citra rontgen dada sering mengalami kendala karena keterbatasan jumlah radiolog dan kemiripan visual antara TB dan gangguan paru lainnya. Penelitian ini menerapkan model deep learning dengan arsitektur Inception V3 untuk mendeteksi TB berdasarkan citra rontgen dada. Model dikembangkan dalam sistem berbasis web menggunakan framework Django, sehingga dapat digunakan secara interaktif oleh pengguna. Dataset diambil dari platform Kaggle, terdiri atas 4.200 citra yang terbagi dalam dua kelas, yaitu Normal dan Tuberculosis. Proses fine-tuning dilakukan dengan 30 epoch, learning rate sebesar 0,0001, dan dropout rate 0,5. Model diuji menggunakan confusion matrix untuk menilai performa klasifikasinya. Hasil pelatihan menunjukkan akurasi sebesar 97% dengan loss 0,08, sedangkan pengujian menghasilkan akurasi 98,57%. Nilai precision, recall, dan f1-score rata-rata mencapai 0,99, menunjukkan kemampuan model yang sangat baik dalam membedakan citra paru normal dan terinfeksi TB. Sistem ini diharapkan dapat membantu proses diagnosis awal secara cepat dan akurat, serta menjadi dasar pengembangan teknologi deteksi penyakit berbasis pembelajaran mendalam di bidang medis.

References

Abidin, A. A., Goejantoro, R., & Fathurahman, M. (2023). Klasifikasi Penyakit Tuberkulosis Menggunakan Metode Naive Bayes (Studi Kasus: Data Pasien Di Puskesmas Petung Kabupaten Penajam Paser Utara). Eksponensial, 14(1), 11. https://doi.org/10.30872/eksponensial.v14i1.1031.

Achmad, W. H., Saurina, N., Chamidah, N., & Rulaningtyas, R. (2023). Pemodela Klasifikasi Tuberkulosis dengan Convolutional Neural Network. Prosiding Seminar Implementasi Teknologi Informasi Dan Komunikasi, 2(1), 9-15.

Adhanty, S., & Syarif, S. (2023). Kepatuhan Pengobatan pada Pasien Tuberkulosis dan Faktor-Faktor yang Mempengaruhinya: Tinjauan Sistematis. Jurnal Epidemiologi Kesehatan Masyarakat, 6(1), 6-14. https://doi.org/10.7454/epidkes.v7i1.6571.

Adzkia, M., Arland, F., & Setiawan, A. W. (2022). Deteksi Pneumonia Menggunakan Citra Sinar-X Paru berbasis Residual Network. Jurnal Teknologi Informasi Dan Ilmu Komputer, 9(2), 373–380. https://doi.org/10.25126/jtiik.2022925626.

Aribowo, K., Medison, I., Mizarti, D., & Fitrina, D. W. (2022). Co-Existence Of Tuberculosis And Lung Cancer. MAGNA MEDICA Berkala Ilmiah Kedokteran Dan Kesehatan, 9(1), 51-61. https://doi.org/10.26714/magnamed.9.1.2022.51-61.

Azam, M. N. A., & Darujati, C. (2022). Pengenalan Citra Wajah Frontal Menggunakan Hirarikal Klaster berbasis Deep Learning Inception V3. JREC (Journal of Electrical and Electronics), 9(2), 9–13. https://doi.org/10.33558/jrec.v9i2.3187.

Deviernur, S. M., & Adnan, N. (2023). Analisis Survival: Hubungan Konversi Sputum Dengan Keberhasilan Pengobatan Pasien Tuberkulosis Resistan Obat Di Indonesia. Jurnal Epidemiologi Kesehatan Masyarakat, 7(1), 43-50. https://doi.org/10.7454/epidkes.v7i1.6955.

Dewi, S. W. (2021). Upaya Pengendalian Tuberkulosis dengan Meningkatkan Kepatuhan Minum Obat Anti Tuberkulosis. Media Kesehatan Masyarakat Indonesia, 20(3), 200-205.

Husen, A. H., Nur Afiah, A.S., Soesanti, S., & Tempola, F. (2022). Deteksi Dini Resiko Tuberkulosis di Kota Ternate: Pelacakan dan Implementasi Algoritma Klasifikasi. Jurnal CoSciTech (Computer Science and Information Technology), 3(2), 217-225. https://doi.org/10.37859/coscitech.v3i2.3986.

Kartini, P. R., Norachuriya, Z., Novitasari, K. S., Shintawati, S., & Wisnubroto, A. P. (2024). Kajian Perilaku Kepatuhan Medikasi Pasien Tuberculosis Paru di Kabupaten Ngawi: Sebuah Model Matematis. Jurnal Epidemiologi Kesehatan Komunitas, 9(2), 160–169. https://doi.org/10.14710/jekk.v9i2.20982.

Mutasodirin, M. A., & Falakh, F. M. (2024). Efficient Weather Classification Using DenseNet and EfficientNet. Jurnal Informatika: Jurnal Pengembangan IT, 9(2), 173–179. https://doi.org/10.30591/jpit.v9i2.7539.

Nurdiansyah, V. V., Cholissodin, I., & Adikara, P. P. (2020). Klasifikasi Penyakit Tuberkulosis (TB) menggunakan Metode Extreme Learning Machine (ELM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(5), 1387–1393. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/7237.

Nusantara, B. S., & Akbar, M. (2024). Klasifikasi Penyakit Tuberculosis Berdasarkan Citra Rontgen Thorax Menggunakan Multi-Scale Convolutional Neural Network. Sudo Jurnal Teknik Informatika, 3(1), 1–8. https://doi.org/10.56211/sudo.v3i1.483.

Putri, F. N. R., Wibowo, N. C. H., & Mustofa, H. (2023). Clustering of Tuberculosis and Normal Lungs Based on Image Segmentation Results of Chan-Vese and Canny with K-Means. Indonesian Journal of Artificial Intelligence and Data Mining, 6(1), 18-28. https://doi.org/10.24014/ijaidm.v6i1.21835.

Rasyid, A., & Heryawan, L. (2023). Klasifikasi Penyakit Tuberculosis (TB) Organ Paru Manusia Berdasarkan Citra Rontgen Thorax Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Manajemen Informasi Kesehatan Indonesia (JMIKI), 11(1), 35-44. https://doi.org/10.33560/jmiki.v11i1.484.

Rachmadhany Iman, Basuki Rahmat, & Achmad Junaidi. (2024). Implementasi Algoritma K-Means dan Knearest Neighbors (KNN) Untuk Identifikasi Penyakit Tuberkulosis Pada Paru-aru. Repeater: Publikasi Teknik Informatika Dan Jaringan, 2(3), 12–25. https://doi.org/10.62951/repeater.v2i3.77.

Ramaneswaran, S., Srinivasan, K., Vincent, P. M. D. R., & Chang, C. (2021). Hybrid Inception v3 XGBoost Model for Acute Lymphoblastic Leukemia Classification. Computational and Mathematical Methods in Medicine, 2021, 1–10. https://doi.org/10.1155/2021/2577375.

Raras, C., Setiawan, P. ., & Komarasary, D. (2023). Pengaruh Segmentasi terhadap Diagnosis COVID-19 pada Citra X-Ray Paru. CogITo Smart Journal, 9(1), 171–180. https://doi.org/10.31154/cogito.v9i1.471.171-180.

Said, Q., Ernawati, I., & Santoni, M. M. (2021). Identifikasi Tuberkulosis Paru Berdasarkan Foto Sinar-X Thorax Menggunakan Jaringan Syaraf Tiruan Backpropagation. Informatik Jurnal Ilmu Komputer, 17(1), 27-37. https://doi.org/10.52958/iftk.v17i1.2222.

Sanjaya, J., & Ayub, M. (2020). Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup. Jurnal Teknik Informatika Dan Sistem Informasi, 6(2), 311-323. https://doi.org/10.28932/jutisi.v6i2.2688