Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Academic Journal of Computer Science Research (AJCSR)
Faris Akbar Shiddiq
Institut Teknologi Nasional Bandung
Computer Science & IT Decision Sciences, Operations Research & Management Education

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

Found 1 Documents
Search

 1 
Model Hibrida DenseNet-161 dan XGBoost untuk Klasifikasi Multi-Kelas Kelainan Paru-Paru Berbasis Citra CT-Scan Irma Amelia Dewi; Faris Akbar Shiddiq; Muhammad Ichwan
Academic Journal of Computer Science Research Vol 8, No 2 (2026): Academic Journal of Computer Science Research (AJCSR)
Publisher : Institut Teknologi dan Bisnis Bina Sarana Global

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38101/ajcsr.v8i2.16777

Abstract

CT-Scan paru-paru membantu mendeteksi gejala awal, memantau progresi penyakit, dan mengidentifikasi komplikasi paru-paru. Selain itu terdapat kesamaan karakteristik antar penyakit paru-paru lain seperti pneumonia, tumor, kanker. Sehingga CT-Scan paru-paru menjadi alat diagnostik penting dalam penanganan penyakit-penyakit tersebut. Hasil CT-Scan dapat diklasifikasikan menggunakan Deep Learning yaitu Convolutional Neural Network dengan menggunakan arsitektur DenseNet-161 untuk ekstraksi fitur dari gambar CT-Scan paru-paru, yang kemudian diklasifikasikan menggunakan Extreme Gradient Boosting (XGBoost). Hasil eksperimen menunjukkan bahwa kombinasi DenseNet-161 dan XGBoost memberikan akurasi tinggi dalam klasifikasi penyakit paru-paru. DenseNet-161 digunakan untuk mengekstraksi fitur dari dataset citra CT-Scan, yang kemudian digunakan sebagai input untuk XGBoost. Evaluasi menggunakan metrik yang relevan menunjukkan bahwa model ini berhasil mengklasifikasikan 5 jenis penyakit paru-paru dengan rata-rata akurasi mencapai 98%. Analisis mendalam menunjukkan bahwa penggunaan n_estimators yang besar dapat menyebabkan overfitting. Namun, kombinasi DenseNet-161 dengan XGBoost memberikan akurasi training sebesar 98.99% dan akurasi validasi sebesar 99.13%, dengan precision, recall, dan F1-score mendekati 100%. Hasil ini menegaskan pentingnya memilih kombinasi model yang tepat untuk meningkatkan kinerja secara signifikan, terutama dalam analisis data kompleks seperti CT-Scan.
Co-Authors IRMA AMELIA DEWI Muhammad Ichwan