<![CDATA[Penyakit paru seperti pneumonia dan COVID-19 masih menjadi masalah kesehatan global yang memerlukan deteksi dini dan akurat. X-ray dada merupakan modalitas pencitraan yang umum digunakan, namun interpretasinya masih bergantung pada keahlian serta ketelitian radiolog. Penelitian ini bertujuan untuk mengevaluasi efektivitas integrasi Efficient Channel Attention (ECA) pada arsitektur DenseNet169 untuk klasifikasi multi-kelas pada citra X-ray dada. ECA dipilih karena merupakan mekanisme attention yang ringan serta mampu menangkap hubungan antarkanal fitur dengan kompleksitas parameter yang rendah. Dataset yang digunakan terdiri dari 5.228 citra yang terbagi ke dalam tiga kelas, yaitu COVID-19, pneumonia, dan normal. Penelitian ini membandingkan model DenseNet169 baseline dan DenseNet169 dengan ECA menggunakan parameter pelatihan yang sama untuk memastikan perbandingan yang adil. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model baseline memperoleh accuracy sebesar 96,75%, sedangkan model dengan ECA memperoleh 96,27%. Dengan demikian, integrasi ECA belum memberikan peningkatan performa yang signifikan dibandingkan dengan DenseNet169 pada dataset yang digunakan. Temuan ini menunjukkan bahwa efektivitas ECA dipengaruhi oleh karakteristik arsitektur model, strategi integrasi, serta karakteristik dataset, sehingga penerapan attention mechanism tidak selalu menghasilkan peningkatan performa secara langsung.]]>
