STUDI KOMPARASI DEEP LEARNING INCEPTIONV3, VGG16 DAN DENSNET201 DENGAN TEKNIK FINE-TUNING DAN ENSEMBLE PADA CITRA CHEST X-RAY UNTUK IDENTIFIKASI TUBERKULOSIS

Penyakit paru-paru seperti Pneumonia, Covid-19, dan Tuberculosis (TB) merupakan
gangguan serius yang memerlukan deteksi cepat berbasis citra medis. Penelitian ini
mengembangkan sistem klasifikasi otomatis citra Chest X-Ray (CXR) menggunakan
Convolutional Neural Network (CNN) dengan pendekatan transfer learning, fine-tuning,
dan ensemble untuk meningkatkan akurasi prediksi. Tahapan sistem meliputi input citra,
preprocessing menggunakan kombinasi Canny Edge Detection dan peningkatan kontras
CLAHE, pelatihan model dengan optimizer Adam, serta teknik single full fine-tune dan
penggabungan prediksi beberapa arsitektur melalui ensemble untuk meningkatkan
akurasi. Sistem kemudian mengklasifikasikan citra ke dalam tiga kelas: TB, non-TB, dan
Normal. Hasil penelitian menunjukkan bahwa kombinasi preprocessing Canny–DIV
dengan model ensemble menghasilkan performa terbaik dengan akurasi 88%, precision
0.88, recall 0.87, dan F1-score 0.87 berdasarkan classification report, sedangkan
preprocessing CLAHE–DV juga memberikan performa tinggi dengan akurasi 95%,
precision 0.95, recall 0.95, dan F1-score 0.95. Hasil ini membuktikan bahwa integrasi
preprocessing berbasis Canny dan CLAHE dengan strategi ensemble mampu
meningkatkan akurasi dan stabilitas sistem dalam mendeteksi Tuberculosis dari citra
CXR.
Kata kunci: Tuberculosis, Chest X-Ray, Transfer Learning, Ensemble, Preprocessing