Sistem deteksi tuberkulosis pada citra X-ray menggunakan ResNet18 dengan pendekatan Explainable AI berbasis Grad-CAM

Hoeriah, Nisa Siti (2026) Sistem deteksi tuberkulosis pada citra X-ray menggunakan ResNet18 dengan pendekatan Explainable AI berbasis Grad-CAM. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (125kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (182kB) | Preview
Preview	Text 3_skplagiarism (1).pdf Download (916kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (274kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (418kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (632kB)
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (2MB)
	Text (BAB VI) 10_bab6.pdf Restricted to Registered users only Download (190kB)
	Text (DAFTAR PUSTAKA) 11_daftarpustaka.pdf Restricted to Registered users only Download (184kB)
	Text (LAMPIRAN) 12_lampiran.pdf Restricted to Registered users only Download (333kB)

Abstract

Tuberkulosis (TB) merupakan penyakit infeksi paru yang dapat menular melalui udara. Pemeriksaan Chest X-ray sebagai skrining awal menghadapi kendala yaitu variasi kualitas citra, area non-paru yang dapat memengaruhi ekstraksi fitur, serta keterbatasan interpretasi model deep learning yang bersifat black box. Penelitian ini bertujuan merancang dan mengimplementasikan sistem deteksi tuberkulosis berbasis citra Chest X-ray menggunakan ResNet18 dengan pendekatan Explainable AI berbasis Grad-CAM++, serta menganalisis kinerja sistem yang dikembangkan. Sistem terdiri atas tahap preprocessing dan augmentasi data, verifikasi citra input menggunakan ensemble ResNet18, segmentasi paru menggunakan ensemble UNet-ResNet18 untuk mengekstraksi Region of Interest (ROI), klasifikasi dua kelas menggunakan ensemble ResNet18 dengan Stratified 5-Fold Cross Validation, serta visualisasi interpretasi menggunakan Grad-CAM++. Hasil penelitian menunjukkan model verifikasi mencapai seluruh metrik evaluasi bernilai 1 pada data uji. Model segmentasi menghasilkan Dice Score sebesar 0,9590 dan Intersection over Union (IoU) sebesar 0,9227, serta mampu mengekstraksi Region of Interest (ROI) pada 99,43% data. Model klasifikasi mencapai nilai AUC, accuracy, precision, sensitivity, specificity, dan F1-score sebesar 1 pada data uji. Pendekatan ROI meningkatkan kesesuaian area aktivasi Grad-CAM++ pada paru dengan kenaikan Localization Score sebesar 0,1127, namun menurunkan accuracy menjadi 0,9900. Uji statistik menunjukkan perbedaan kedua model signifikan (p < 0,001), tetapi memiliki effect size yang dapat diabaikan (Cohen’s d = 0,100). Secara keseluruhan, sistem mampu mendeteksi tuberkulosis dengan kinerja model tinggi serta menyediakan interpretasi visual yang lebih terfokus pada area paru.

Actions (login required)

View Item