Performance Analysis VGG-19 Deep Learning Model for Tuberculosis Detection (Studi Kasus : Klasifikasi Tuberkulosis dengan CNN VGG-19)

Abstract

Tuberkulosis atau TBC adalah penyakit menular yang disebabkan oleh Mycobacterium Tuberculosis yang mempunyai potensi serius menyerang paru- paru. Kini TBC menjadi masalah kesehatan dunia termasuk di Indonesia yang mempunyai kasus tertinggi ke 2 setelah pandemic Covid-19 dikarenakan kurangnya pelaporan. Akibatnya pada laporan akhir, kasus TBC melonjak tinggi dan lamanya deteksi dini karena kurangnya diagnosis dini dan fasilitas ahli radiologi. Diagnosis yang cepat dan akurat sangat penting agar pengobatan segera dilakukan dan memperoleh penanganan yang tepat. Maka dengan adanya penelitian ini memberikan solusi dengan model deep learning CNN arsitektur VGG-19 dengan ukuran input citra sebesar 224×224 yang menggunakan 16 lapisan konvolusi, 5 lapisan pooling, dan 3 lapisan fully connected. Dalam arsitektur tersebut kernel yang digunakan berukuran 3 × 3 dengan ukuran langkah (stride) 1 pixel, dan 1 padding. Data yang digunakan adalah data hasil rontgen paru-paru yang terbagi dalam 2 kategori yaitu tuberkulosis dan normal masing- masing sebanyan 700 dan 3500. Data tersebut terbagi ke dalam data training, testing, dan validation yang masing-masing 3360, 420, 420. Dari model tersebut, didapatkan nilai akurasi untuk data training sebesar 99.85% dengan loss sebesar 0.66%.