<![CDATA[Penelitian ini bertujuan membandingkan performa DenseNet201, EfficientNetB0, dan MobileNetV2 untuk klasifikasi citra X-ray dada pada tiga kelas, yaitu TBC, pneumonia, dan normal, sebagai respons terhadap keterbatasan tenaga radiolog dan tingginya kebutuhan diagnosis cepat. Dataset berjumlah 5.312 citra (2.494 TBC, 2.100 pneumonia, 718 normal) dibagi menjadi 70% data latih, 15% validasi, dan 15% data uji. Tahap praproses mencakup resize citra menjadi 224×224 piksel, normalisasi sesuai model, serta augmentasi data berupa horizontal/vertical flip, rotasi, zoom 15%, dan shear 15%. Ketiga arsitektur dilatih menggunakan transfer learning berbobot awal ImageNet, kemudian fine-tuning pada 15 lapisan terakhir dengan optimizer Adam. Evaluasi dilakukan menggunakan confusion matrix, akurasi, precision, recall, F1-score, dan AUC. Hasil menunjukkan DenseNet201 memberikan kinerja terbaik dengan akurasi 96,86% (precision 97%, recall 96%, F1-score 96%), diikuti EfficientNetB0 dengan akurasi 95,61%, sedangkan MobileNetV2 mencapai 89,21%. Temuan ini menunjukkan DenseNet201 paling efektif untuk klasifikasi TBC dan pneumonia pada citra X-ray dada, dengan tantangan utama berupa ketidakseimbangan data pada kelas normal yang masih memengaruhi konsistensi prediksi model.]]>
Copyrights © 2026
