PERBANDINGAN METODE TRANSFER LEARNING DAN TRAINING PADA ARSITEKTUR MODEL VGG16 UNTUK KLASIFIKASI PENYAKIT PARU

Penyakit paru-paru seperti pneumonia, tuberkulosis, dan COVID-19 merupakan ancaman kesehatan Global yang memerlukan diagnosis secara cepat untuk meningkatkan peluang kesembuhan pasien. Penggunaan citra X-ray dada sering kali menghadapi kendala dalam analisis manual yang membutuhkan waktu lama. Penelitian ini mengembangkan sistem deteksi otomatis berbasis CNN VGG16 untuk membandingkan efektivitas metode Transfer learning dan Training. Menggunakan dataset seimbang sebanyak 4.000 citra X-ray, Transfer learning diterapkan dengan bobot ImageNet, sedangkan Training melatih model dari awal. Hasil pengujian menunjukkan Transfer learning unggul signifikan dengan akurasi 95% dan efisiensi waktu 48 detik/epoch, dibandingkan Training yang mencapai akurasi 93% dengan waktu 70 detik/epoch. Disimpulkan bahwa Transfer learning adalah metode paling efektif untuk dataset terbatas. Hasil penelitian ini diimplementasikan dalam aplikasi web berbasis Streamlit untuk mendukung diagnosis medis.