<![CDATA[Pneumonia adalah infeksi pernapasan akut yang menyebabkan sekitar 2,5 juta kematian setiap tahun di seluruh dunia, dengan beban tertinggi di negara berkembang. Diagnosis dini dan akurat menggunakan citra rontgen dada sangat penting tetapi membutuhkan keahlian radiologi yang seringkali terbatas di daerah dengan keterbatasan sumber daya. Studi ini mengembangkan sistem deteksi pneumonia otomatis berdasarkan Deep Convolutional Neural Network (CNN) dengan arsitektur yang terdiri dari lima blok konvolusional progresif. Model ini dilatih menggunakan dataset Chest X-Ray Pneumonia dari Kaggle yang berisi 5.863 citra rontgen pediatrik. Implementasi mencakup pra-pemrosesan gambar (konversi skala abu-abu, pengubahan ukuran piksel 150×150, dan normalisasi), augmentasi data waktu nyata (rotasi ±30°, zoom ±20%, pergeseran ±10%, dan pembalikan horizontal) bersama dengan teknik regularisasi termasuk normalisasi batch dan lapisan dropout untuk mengurangi overfitting. Jaringan ini menggunakan ukuran filter yang meningkat secara progresif (32-64-64-128-256), dioptimalkan melalui RMSprop dengan mekanisme penjadwalan laju pembelajaran adaptif. Hasil evaluasi pada 624 gambar uji menunjukkan akurasi 90,71% dengan sensitivitas 91,54% untuk deteksi pneumonia. Model mencapai presisi 93% untuk kelas pneumonia dan 86% untuk kelas normal, menunjukkan kinerja yang seimbang. Matriks kebingungan mengungkapkan 357 positif sejati, 209 negatif sejati, 25 positif palsu, dan 33 negatif palsu. Studi ini membuktikan bahwa pendekatan pembelajaran mendalam dapat menjadi alat diagnostik yang efektif bagi ahli radiologi, terutama dalam pusat medis dengan keahlian radiologi yang tidak memadai.]]>
