<![CDATA[Tuberkulosis (TB) masih menjadi masalah kesehatan global yang besar, dan interpretasi citra X-ray dada masih sangat bergantung pada ahli radiologi yang jumlahnya terbatas, sementara lesi awal yang halus mudah terlewat. Penelitian ini mengembangkan sistem deteksi tuberkulosis berbasis Convolutional Neural Network (CNN) yang hiperparameternya dioptimasi secara sistematis menggunakan Algoritma Genetika (GA), kemudian dikompresi dengan Post-Training Quantization INT8 untuk diimplementasikan pada edge device Raspberry Pi 5. Model CNN dilatih menggunakan 1.600 citra X-ray dada (TBX11K) yang dibagi menjadi data latih, validasi, dan uji. GA dengan populasi sepuluh individu mencari learning rate, jumlah filter, batch size, dan optimizer secara bersamaan. Sistem CNN+GA mencapai akurasi uji 98,75% dengan AUC 0,9952, setara dengan pencarian manual One-Factor-at-a-Time namun diperoleh secara sistematis. Kuantisasi INT8 mengurangi ukuran model sebesar 75% (menjadi 3,63 MB) tanpa penurunan akurasi, dan studi pruning mengonfirmasi INT8 sebagai titik kompresi optimal. Pada Raspberry Pi 5, model INT8 mencapai waktu inferensi 2,237 ms per citra (2,86× lebih cepat dari Float32) dengan penggunaan RAM hanya 7,70 MB, serta diintegrasikan ke antarmuka web Flask. Hasil menunjukkan sistem layak sebagai detektor tuberkulosis real-time berbasis edge. Kata Kunci— algoritma genetika, convolutional neural network, deteksi tuberkulosis, edge computing, kuantisasi INT8, Raspberry Pi. ]]>
Copyrights © 2026
