PENGEMBANGAN APLIKASI BERBASIS WEBSITE DETEKSI PENYAKIT PARU-PARU MENGGUNAKAN METODE TRANSFER LEARNING DENGAN ARSITEKTUR DENSENET-169
Abstract
Penelitian ini dilatarbelakangi oleh kebutuhan akan sistem pendeteksi penyakit paru-paru berbasis kecerdasan buatan yang mampu menggabungkan informasi dari citra X-ray dada dan gejala klinis pasien secara simultan. Tujuan dari penelitian ini adalah mengembangkan sistem diagnosis otomatis menggunakan pendekatan multimodal berbasis model deep learning DenseNet-169 yang dilatih dengan teknik two-phase training, yaitu pretraining dan fine-tuning, serta mengevaluasi performa model menggunakan metrik Area Under Curve (AUC) dengan target minimal 0.7 agar hasil diagnosis dapat diandalkan dalam konteks medis. Jenis penelitian ini merupakan penelitian rekayasa perangkat lunak dengan pendekatan kuantitatif. Model dilatih menggunakan dataset citra X-ray publik yang berisi 11 label penyakit paru-paru, serta data tambahan berupa 13 jenis gejala klinis. Sistem diimplementasikan dalam bentuk aplikasi web berbasis Laravel dan Flask, yang memungkinkan pengguna mengunggah gambar X-ray serta memilih gejala klinis untuk mendapatkan hasil diagnosis berbentuk prediksi penyakit beserta tingkat probabilitasnya. Evaluasi internal dilakukan melalui pengujian fungsionalitas sistem dan uji interpretasi terhadap empat sampel kasus uji. Hasil evaluasi menunjukkan bahwa sistem dapat memberikan output diagnosis yang bervariasi dan responsif terhadap kombinasi input gejala dan citra, dengan nilai AUC model mencapai 0.7586, melampaui ambang batas minimal AUC sebesar 0.7. Dapat disimpulkan bahwa sistem diagnosis penyakit paru-paru yang dikembangkan dalam penelitian ini telah berhasil mengintegrasikan data multimodal dan menghasilkan prediksi yang informatif, serta menunjukkan potensi untuk dikembangkan lebih lanjut dalam konteks medis digital.
References
Alzubaidi, L., Al-Amidie, M., Al-Asadi, A., Humaidi, A., Al-Shamma, O., Fadhel, M., Zhang, J., Santamaría, J., Duan, Y., Farahani, K., & Yousefi, B. (2021). Novel Transfer Learning Approach for Medical Imaging with Limited Labeled Data. Cancers, 13.
Chen, I. D. S., Yang, C., Chen, M., Chen, M., Weng, R., & Yeh, C. (2023). Deep learning-based recognition of periodontitis and dental caries in dental x-ray images. Bioengineering, 10(8), 911.
Chen, J. (2023). Model Algorithm Research based on Python Fast API. Frontiers in Science and Engineering.
Endut, N., Hamzah, W. M. A. F. W., Ismail, I., Yusof, M. K., Baker, Y. A., & Yusoff, H. (2022). A systematic literature review on multi-label classification based on machine learning algorithms. TEM Journal, 658-666.
Girdhar, N., Sinha, A., & Gupta, S. (2022). Densenet-ii: an improved deep convolutional neural network for melanoma cancer detection. Soft Computing, 27(18), 13285-13304.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons.
Jawaz, I. and Rahmadewi, R. (2024). Sistem deteksi pneumonia paru-paru dengan pengolahan citra digital dan machine learning. Electron Jurnal Ilmiah Teknik Elektro, 5(1).
Kaur, R., Ginige, J. A., & Obst, O. (2021). A systematic literature review of automated icd coding and classification systems using discharge summaries..
Lee, J., Hong, H., Nam, G., Hwang, E., & Park, C. (2023). Effect of Human-AI Interaction on Detection of Malignant Lung Nodules on Chest Radiographs.. Radiology, 307 5, e222976.
Li, Y. and Song, P. (2022). Review of transfer learning in medical image classification. Journal of Image and Graphics, 27(3), 672-686.
Shi, Z., Chen, M., & Wu, Z. (2023). Hyperspectral image classification based on dual-scale dense network with efficient channel attentional feature fusion. Electronics, 12(13), 2991.
Sobhana, M., Ravi, S., Bodedla, J., Vemulapalli, S. R., & Jagathapurao, G. S. K. V. (2024). A comprehensive study: intracranial aneurysm detection via vgg16-densenet hybrid deep learning on dsa images. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 14(1), 105-110.

