Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Zalwana, Hilya
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Semi-Supervised Deep Learning dengan AdaMatch untuk Klasifikasi Penyakit Paru-paru pada Citra X-ray Dada: Application of Semi-Supervised Deep Learning with AdaMatch for Classification of Lung Disease on Chest X-ray Image Zalwana, Hilya; Negara, Benny Sukma; Irsyad, Muhammad; Sanjaya, Suwanto; Fikry, Muhammad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2811

Abstract

Penyakit paru-paru, seperti Coronavirus Disease 2019 (COVID-19) dan pneumonia, masih menjadi tantangan kesehatan yang memerlukan diagnosis cepat dan akurat. Citra chest X-ray (CXR) banyak digunakan untuk mendukung diagnosis, namun interpretasinya masih bergantung pada radiolog dan ketersediaan data berlabel. Keterbatasan data berlabel menjadi kendala dalam pengembangan model deep learning berbasis supervised learning. Penelitian ini menerapkan pendekatan semi-supervised deep learning menggunakan AdaMatch dengan DenseNet-169 untuk klasifikasi multikelas citra CXR menjadi COVID-19, Pneumonia, dan Normal. Dataset publik Mendeley Data yang digunakan terdiri atas 5.228 citra CXR, dengan pembagian 70% data pelatihan, 10% validasi, dan 20% pengujian. Tiga skenario proporsi data berlabel, yaitu 5%, 10%, dan 20%, digunakan untuk mengevaluasi performa model. AdaMatch memanfaatkan data berlabel dan tidak berlabel melalui mekanisme adaptive thresholding, distribution alignment, dan consistency regularization. Hasil terbaik diperoleh pada skenario 20% data berlabel dengan akurasi 98,19%, sensitivitas 98,23%, dan F1-score 98,24%. Performa tersebut mendekati model supervised learning pembanding yang memperoleh akurasi 98,95%, sensitivitas 98,98%, dan F1-score 98,98%. Temuan ini menunjukkan bahwa AdaMatch merupakan pendekatan semi-supervised yang efektif untuk meningkatkan klasifikasi citra CXR pada kondisi keterbatasan data berlabel.
Co-Authors Muhammad Fikry Muhammad Irsyad Negara, Benny Sukma Suwanto Sanjaya