<![CDATA[Klasifikasi multi-kelas citra X-ray dada menjadi salah satu pendekatan yang dapat membantu membedakan kondisi COVID-19, normal, dan pneumonia secara otomatis. Namun, kemiripan karakteristik visual antar kelas dapat menyebabkan model kesulitan dalam mengekstraksi fitur yang relevan. Penelitian ini mengintegrasikan Dual Attention Network (DANet) pada DenseNet-169 untuk meningkatkan representasi fitur melalui kombinasi Grouped Channel Attention Module dan Strip Spatial Attention Module. Dataset yang digunakan terdiri atas 5.228 citra X-ray dada yang dibagi menjadi data latih dan data uji dengan rasio 80:20. Model DenseNet-169 baseline dan DenseNet-169 dengan DANet dievaluasi menggunakan akurasi, presisi, recall, F1-score, sensitivitas, spesifisitas, ROC-AUC, confusion matrix, dan Grad-CAM. Hasil pengujian menunjukkan bahwa DenseNet-169 dengan DANet memperoleh akurasi 98,47%, presisi 98,55%, recall 98,50%, F1-score 98,50%, sensitivitas 98,50%, dan spesifisitas 99,22%. Nilai ROC-AUC yang diperoleh pada kelas COVID-19, normal, dan pneumonia masing-masing sebesar 0,9994, 0,9989, dan 0,9980. Hasil tersebut menunjukkan bahwa DenseNet-169 dengan DANet memiliki kemampuan klasifikasi dan diskriminasi yang baik pada ketiga kelas. Visualisasi Grad-CAM menunjukkan bahwa DANet membantu model menghasilkan perhatian yang lebih terarah.]]>
Copyrights © 2026
