Perpustakaan Digital ITB

Tuberkulosis sebagai penyakit menular yang umumnya menyerang paru-paru, memiliki dampak besar pada kesehatan secara global sebagai penyebab kematian tertinggi di dunia setelah COVID-19 pada tahun 2022. Salah satu tahapan pemeriksaan untuk diagnosis tuberkulosis adalah pemeriksaan rontgen toraks x-ray. Beberapa permasalahan seperti gambaran tuberkulosis pada citra medis toraks x-ray yang tidak beraturan, kesalahan interpretasi, serta terbatasnya waktu tunggu pemeriksaan menjadikan peningkatan efisiensi pemeriksaan rontgen toraks termasuk pada kasus tuberkulosis menjadi sangat dibutuhkan. AI (Artificial Intelligence) adalah salah satu teknologi yang dapat menjadi solusi dalam menyelesaikan berbagai permasalahan dan meningkatkan efisiensi pada sektor kesehatan. Oleh karena itu, pada tugas akhir ini akan diterapkan model classification dan object detection untuk mendeteksi kasus tuberkulosis pada citra medis rontgen toraks. Sistem deteksi ini akan menerima citra medis toraks dari rontgen dan akan mendeteksi apakah pada paru-paru tersebut terdapat kasus tuberkulosis atau tidak, lalu ditampilkan lokasi kemungkinan keberadaan tuberkulosis. Model arsitektur CNN yang digunakan adalah EfficientNetB6 untuk image classification dengan tambahan lapisan baru dan YOLOv8x untuk object detection dengan menggunakan metode transfer learning. Terdapat tambahan beberapa dataset dari salah satu rumah sakit di Bandung yang digunakan untuk pelatihan dan pengujian model. Hasil pengujian model pada sistem deteksi menunjukkan bahwa model classification dapat membedakan citra medis rontgen toraks yang termasuk ke dalam tuberkulosis dan normal dengan nilai akurasi berkisar 95.86%. Sementara itu, model object detection dapat mendeteksi lokasi tuberkulosis pada paru-paru dengan keterbatasan model hanya bisa mendeteksi bentuk tuberkulosis yang besar (seperti bercak-bercak putih berawan atau infiltrasi), belum bisa mendeteksi bentuk tuberkulosis yang hanya berbentuk nodul (bulatan kecil). Nilai mAP dari model object detection adalah 0.768.