Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : academic journal of computer science research ajcsr

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 Adi, Firma Firmansyah Agus Salim Akram, M. Azriel Alamsyah, Yogi ALFARISYI, SALMAN FATHUL Ambarsari, Dewi Amelia, Irma Anggriawan, Mochamad Angga Aprianty, Henny Ardinata, Dedi - Aritonang, Evawany Y. Barmawi, Mira Musrini Bintang, Siti Sarah Bintang Sarah BURHAN FAJRIANSYAH, BURHAN Chalifa Chazar Dani, Rahiman Dany Prastya Al-Hakim Dewi Rosmala, Dewi Dewi, Hartami DEWI, IRMA AMELIA Dewi, Irma Amelia Dhuha, Muhammad Hikmal Diash Firdaus Dina Budhi Utami Dina Budhi Utami, Dina Budhi Djamaa, Wahjuny Erawan, Putu Eka F H, Ghassan Nur Fahrezi Maulana, Reyhan Faris Akbar Shiddiq Galih Ashari Rakhmat Ghairrahmat, Dhimas Aji HADI, IHSAN SAIFUL Hanif, Muhammad Adnan HARI PURNOMO Helmaputra, Aldri HERU PURNAWAN Heru Santosa I Ketut Suada Imelda, Fatwa Irawan, Bambang Riyadi IRMA AMELIA DEWI Irwan, Yusril La Ode Rafif Setiawan Lia Budi Tristanti Lubis, Nenni Dwi Aprianti Lukito, Rara Restu Lumbanraja, Sarma N. Mahyuddin K. M Nasution Miftahuddin, Yusup Miftahuddin, Yusup Mikael Prapaskalis G Milda Gustiana Husada Muhammad Khairurrafa Erlangga Muhammad Rizka, Muhammad Mulyadi Mulyadi Mustafa, Dody Mutammimul Ula Nani Yuniar Nugraha, Priyandhika Adi Nurhasanah, Youllia Indrawaty Nurwiani, Nurwiani Octavia, Nur Afni Heryanti Pahlevi, Andhika Paris Achmad Fauzan Permatasari, Ranti Putri Chairani Eyanoer, Putri Chairani Rahmiwita, Rahmiwita Ramadani, Andi Muchlas Ramadhan, Fikri RATNA SUSANA Reza Malik, M. Fatir RR. Ella Evrita Hestiandari S, Zeni Muharom Sa'adah, Umi Salis, Witri Aini Salsabilla, Nadiati SAVERO AL PHARD, SAVERO AL Siahaan, Andre MP. Siti Nur Faridah Soekoco, Asril Senoaji SUMANTRI, HANIFAH Suryananda, Ignatius Adiandra Syafiudin, Arief Tobing, Immanuel DL. Tri Andrianto, Yoga Fathur Triyanto, Deni Yahwardiah Siregar