<![CDATA[Pneumonia merupakan salah satu penyakit infeksi saluran pernapasan yang dapat berakibat fatal apabila tidak didiagnosis secara dini. Diagnosis biasanya dilakukan melalui interpretasi citra X-ray dada oleh tenaga medis, namun metode ini memiliki keterbatasan dalam hal subjektivitas dan ketersediaan radiolog di beberapa daerah. Penelitian ini bertujuan untuk mengembangkan sistem deteksi pneumonia secara otomatis berbasis deep learning menggunakan arsitektur Convolutional Neural Network (CNN) DenseNet201. Dataset yang digunakan adalah Chest X-Ray Pneumonia dari Kaggle yang terdiri dari dua kelas, yaitu normal dan pneumonia, dengan total 5.863 citra. Proses pelatihan model melibatkan beberapa tahapan preprocessing, termasuk resize gambar menjadi 224×224 piksel, normalisasi intensitas piksel, serta augmentasi data seperti rotasi dan flipping untuk mengurangi overfitting. Model DenseNet201 dilatih selama 20 epoch menggunakan teknik transfer learning dan fine-tuning, serta dievaluasi menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 87,02%, dengan recall untuk kelas pneumonia sebesar 93%, yang menunjukkan sensitivitas tinggi dalam mendeteksi kasus pneumonia. Model terbaik diimplementasikan dalam aplikasi web berbasis Streamlit yang memungkinkan pengguna mengunggah gambar X-ray dan mendapatkan hasil prediksi secara langsung. Sistem ini diharapkan dapat digunakan sebagai alat bantu diagnosis awal yang cepat, edukatif, dan mudah diakses, terutama di lingkungan dengan keterbatasan tenaga ahli. Keywords: Pneumonia, CNN, DenseNet201, Citra X-ray, Streamlit]]>
Copyrights © 2026
