<![CDATA[Penyakit paru-paru seperti COVID-19 dan Pneumonia merupakan penyebab utama morbiditas dan mortalitas di dunia, sehingga diperlukan metode deteksi dini yang akurat dan efisien. Penelitian ini bertujuan menganalisis penerapan FlexMatch pada skema Semi-Supervised Deep Learning untuk klasifikasi penyakit paru-paru berbasis citra Chest X-ray (CXR), dengan memanfaatkan data berlabel dan tidak berlabel melalui mekanisme Curriculum Pseudo Labeling dan class-adaptive thresholding, serta DenseNet-169 sebagai ekstraktor fitur utama. Dataset yang digunakan terdiri dari 3.000 citra CXR yang mencakup tiga kelas, yaitu COVID-19, pneumonia, dan normal. Tahapan penelitian meliputi preprocessing data, augmentasi citra, pembagian data, pelatihan model, serta evaluasi menggunakan accuracy, precision, recall, F1-score, dan Grad-CAM. Hasil penelitian menunjukkan bahwa model mencapai akurasi validasi sebesar 96,65% dengan F1-score masing-masing sebesar 99,02% untuk COVID-19, 95,74% untuk Normal, dan 94,48% untuk Pneumonia. Visualisasi Grad-CAM membuktikan bahwa model mampu memfokuskan perhatian pada area paru yang relevan secara klinis, sehingga FlexMatch terbukti efektif meningkatkan performa klasifikasi pada kondisi data berlabel terbatas dan berpotensi mendukung sistem diagnosis penyakit paru-paru berbasis kecerdasan buatan. ]]>
Copyrights © 2026
