Sistem deteksi pneumonia pada citra X-ray paru-paru menggunakan Attention Mechanism pada Convolutional Neural Network

Fachry, Muhammad Najieb (2025) Sistem deteksi pneumonia pada citra X-ray paru-paru menggunakan Attention Mechanism pada Convolutional Neural Network. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (6MB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (6MB) | Preview
Preview	Text (SURAT PERNYATAAN KARYA SENDIRI) 3_suratpernyataan.pdf Download (418kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (6MB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (6MB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (6MB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (6MB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (6MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (6MB) | Request a copy
	Text (BAB VI) 10_bab6.pdf Restricted to Registered users only Download (6MB) | Request a copy
	Text (DAFTAR PUSTAKA) 11_daftarpustaka.pdf Restricted to Registered users only Download (6MB) | Request a copy
	Text (LAMPIRAN) 12_lampiran.pdf Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Pneumonia merupakan penyebab utama kematian akibat infeksi saluran pernapasan, terutama di negara berkembang, dengan tantangan diagnosis yang dipengaruhi keterbatasan fasilitas kesehatan, kualitas citra x-ray yang bervariasi, dan kebutuhan interpretasi ahli. Penelitian ini mengembangkan sistem deteksi pneumonia berbasis citra x- ray menggunakan Convolutional Neural Network (CNN) yang dipadukan dengan Convolutional Block Attention Module (CBAM) untuk memfokuskan analisis pada area relevan, serta model verifikasi berbasis MobileNetV2 guna memastikan hanya citra valid yang diproses. Dataset publik terdiri dari 5.856 citra x-ray untuk klasifikasi dan 2.400 citra untuk verifikasi, diuji pada berbagai variasi resolusi dan augmentasi, lalu dievaluasi menggunakan akurasi, presisi, recall, F1-score, dan ROC-AUC. Konfigurasi terbaik pada resolusi 256 piksel dengan augmentasi menghasilkan akurasi 92,79%, F1-score 94,51%, dan ROC-AUC 98,10%. Interpretabilitas model dianalisis menggunakan Grad-CAM++ dan divalidasi oleh tenaga medis, memperoleh Intersection over Union (IoU) 0,8958 dan Dice Coefficient 0,9450. Sistem diimplementasikan melalui antarmuka Telegram Bot untuk memudahkan interaksi dan akses pengguna tanpa perangkat khusus. Integrasi mekanisme perhatian dan antarmuka interaktif ini membuktikan bahwa sistem mampu memberikan deteksi pneumonia yang akurat, dapat ditafsirkan secara visual, dan mudah diakses, sehingga berpotensi menjadi solusi praktis untuk mendukung diagnosis yang lebih efektif.

Actions (login required)

View Item