EVALUASI PERFORMA MODEL ENSEMBLE DEEP LEARNING DALAM KLASIFIKASI CHEST X-RAY TUBERKULOSIS

Tuberkulosis (TB) hingga saat ini tetap menjadi masalah kesehatan global, yang
memerlukan metode diagnostik yang akurat. Penelitian ini berfokus pada
meningkatkan deteksi TB menggunakan citra Chest X-ray (CXR) melalui
integrasi teknik pemrosesan gambar dan teknologi deep learning. Metode CLAHE
dan Canny digunakan untuk meningkatkan kualitas gambar dan mendeteksi tepi
dengan efektif. Arsitektur CNN seperti InceptionV3, DenseNet201, dan VGG16
digunakan untuk model individu, kemudian dikombinasi dengan teknik ensemble
guna meningkatkan akurasi klasifikasi. Proses klasifikasi melibatkan klasifikasi
CNN individual untuk TB, Non-TB, dan paru-paru Normal, diikuti dengan
klasifikasi ensemble menggunakan teknik Ensemble Average Voting. Metodologi
yang diusulkan bertujuan untuk meningkatkan akurasi diagnosis TB serta
mengatasi keterbatasan data dan meningkatkan adaptabilitas dalam analisis
gambar CXR. Pra-pemrosesan gambar yang dilakukan menunjukkan bahwa
gambar yang diproses dengan Canny adalah metode deteksi tepi yang lebih akurat
karena nilai MSE lebih rendah dibandingkan metode CEED-Canny. Hasil dari
klasifikasi model individu dengan arsitektur transfer learning menggunakan
DenseNet201 secara konsisten mencapai akurasi dan F1-Score tertinggi
dibandingkan model individu lainnya. Kemudian pendekatan ensemble
menghasilkan empat model kombinasi, yaitu DI, DV, IV, dan DIV. Model DIV
(Densenet201 + InceptionV3 + VGG16) menunjukkan kinerja yang konsisten dan
tinggi pada data uji yaitu mencapai akurasi sebesar 72.36%. Serta nilai precision,
recall, dan F1-Score dari model DIV menunjukkan efektivitasnya dalam
mengklasifikasikan gambar CXR secara akurat.
Kata Kunci: Deteksi Tuberkulosis, Deep Learning, Pemrosesan Citra, Ensemble
Average Voting, Canny Edge Detection, CLAHE