<![CDATA[Pneumonia merupakan salah satu penyebab utama kematian pada anak usia di bawah lima tahun, terutama di negara dengan pendapatan rendah dan menengah. Keterbatasan tenaga kesehatan menyebabkan proses diagnosis sering terlambat, sehingga penanganan penyakit ini menjadi semakin sulit. Penelitian ini mengusulkan penerapan Convolutional Neural Network (CNN) dengan arsitektur VGG16 untuk melakukan deteksi pneumonia secara otomatis melalui citra rontgen dada. Metode ini dipilih karena kemampuannya dalam mengekstraksi fitur penting dari citra dengan efisien. Dataset yang digunakan berisi citra rontgen dada dengan dua kategori, yakni pneumonia dan normal. Model VGG16 diterapkan menggunakan teknik transfer learning guna mengatasi jumlah data pelatihan yang terbatas. Hasil pengujian menunjukkan bahwa model mencapai akurasi 96,42%, precision 96,36%, dan F1-Score 97,58%. Dibandingkan dengan penelitian terdahulu, performa model ini mengalami peningkatan yang signifikan, baik dari sisi akurasi maupun keseimbangan antara presisi dan recall. Selain itu, pendekatan ini mampu meminimalkan overfitting yang sering terjadi pada model lain, sehingga lebih stabil dan layak diterapkan dalam praktik. Dengan demikian, model VGG16 yang dikembangkan berpotensi menjadi solusi yang efektif untuk membantu tenaga medis dalam mendeteksi pneumonia secara cepat dan akurat, serta dapat diperluas untuk identifikasi penyakit paru-paru lainnya.]]>
Copyrights © 2025
