Klasifikasi Penyakit Tuberculosis Berdasarkan Citra Chest X-Ray Menggunakan Convolutional Neural Network Model Arsitektur VGG16

Penyakit Tuberkulosis (TBC) merupakan salah satu masalah kesehatan utama di negara berkembang, termasuk Indonesia. Menurut data World Health Organization (WHO), sekitar 6,4 juta orang terinfeksi TBC pada tahun 2021 dan sekitar 1,6 juta orang meninggal akibat penyakit ini di seluruh dunia. Penyakit ini menular, tuberkulosis menyerang paru-paru yang dapat menginfeksi orang lain. Radiologi, seperti x-ray rontgen yang bersifat non invasif pada dada tubuh seseorang merupakan salah satu alat diagnostik utama untuk TBC. Dengan memeriksa hasil gambar rontgen dada seseorang, para profesional medis dapat mengoptimalkan proses diagnosis tuberkulosis. Meskipun demikian, metode diagnostik untuk TBC masih melibatkan interpretasi manual yang sangat tergantung pada tingkat pengalaman mereka. Tujuan penelitian ini untuk menerapkan model Convolutional Neural Network (CNN) menggunakan arsitektur VGG16 dengan teknik segmentasi dan augmentasi untuk klasifikasi penyakit TBC berdasarkan citra Chest X-Ray. Hasil identifikasi ini dapat mengklasifikasikan seseorang terkena tuberkulosis atau tidak. Penelitian ini menggunakan data citra x-ray dada yang berasal dari Shenzhen No.3 People’s Hospital, Guangdong Medical College, Shenzhen, China. Data tersebut terdiri dari 326 citra kasus normal dan 336 citra kasus dengan manifestasi tuberkulosis. Terdapat empat skenario uji coba dalam penelitian ini, yang melibatkan data citra asli dan citra tersegmentasi menggunakan metode transfer learning, serta skenario tanpa penggunaan Transfer learning dengan penggunaan augmentasi pada setiap skenarionya. Penelitian ini dilakukan untuk mengeksplorasi batas akurasi dan AUC yang diperoleh model CNN dengan arsitektur VGG16. Hasil terbaik penelitian ini dengan mengimplementasikan model VGG16 menggunakan Transfer learning dan augmentasi telah mendapatkan akurasi sebesar 88%, presisi 91%, recall 88%. Dengan hasil tersebut, pendekatan ini mampu membantu dokter dalam membuat keputusan yang lebih akurat.