Perpustakaan Digital ITB

Penyakit sistem pernapasan seperti pneumonia dan COVID-19 memerlukan diagnosis yang cepat, tepat, dan non-invasif. Ultrasonografi (USG) paru bedside menjadi pilihan ideal karena bebas radiasi ion dan berbiaya rendah, namun efektivitasnya terbatas oleh sifatnya yang operator-dependent, tingginya speckle noise, kontras yang rendah, serta redundansi informasi pada data video. Penelitian ini bertujuan untuk mengembangkan sistem Computer-Aided Diagnosis (CAD) berbasis Machine Learning (ML) yang efisien secara komputasi untuk mengklasifikasikan tiga kondisi paru (Normal, Pneumonia, dan COVID-19) dari sekuens citra USG hasil regular frame sampling. Metodologi yang diusulkan mencakup alur pemrosesan awal (preprocessing) hibrida sekuensial yang mengintegrasikan Filter Median, Contrast-Limited Adaptive Histogram Equalization (CLAHE), dan Transformasi Gamma berdasarkan interpretasi komputasional artefak paru (A-lines, B-lines, dan garis pleura). Selanjutnya, penelitian ini mengevaluasi tiga paradigma ekstraksi fitur: fitur tekstur statistik konvensional (Gray-Level Co-occurrence Matrix / GLCM), fitur representasi mendalam otomatis (Deep Feature Extraction ResNet-18), dan fusi hibrida keduanya (GLCM + ResNet-18), yang kemudian direduksi dimensinya menggunakan Principal Component Analysis (PCA). Performa vektor fitur diuji pada model pengklasifikasi ML (Support Vector Machine / SVM, K-Nearest Neighbors / KNN, dan Naive Bayes) serta dibandingkan dengan model Deep Learning (DL) end-to-end (MobileNetV2, GoogLeNet, ResNet-18). Hasil penelitian menunjukkan bahwa alur preprocessing hibrida sekuensial berhasil mereduksi speckle noise pada 4.350 frame citra dengan menghasilkan Signal-to-Noise Ratio (SNR) tertinggi (3,27 ± 2,67 dB) dan Contrast-to-Noise Ratio (CNR) tertinggi (2,32 ± 0,32) tanpa merusak struktur geometris artefak. Fusi fitur hibrida yang dikombinasikan dengan PCA (varians 95%) mampu menekan varians dalam kelas dan membentuk kluster spasial yang presisi. Pada kelompok ML, model SVM (kernel linear) dengan masukan vektor fusi hibrida terproses meraih akurasi pengujian tertinggi sebesar 86,14% (F1-Score 86,96%) dengan status Good Fit. Sementara pada pendekatan DL end-to-end, MobileNetV2 dengan alur preprocessing yang sama mencapai akurasi 92,57%. ari aspek efisiensi komputasi, model klasifikasi SVM pada fitur fusi hibrida + PCA terbukti paling ideal untuk diimplementasikan pada perangkat keras berspesifikasi rendah (edge/low-end devices). Model ini hanya membutuhkan memori sebesar 1,97 MB, menghasilkan throughput melampaui 122.054 FPS, dan beban komputasi matematika yang sangat ringan serta konstan pada rentang 1.050 hingga 1.158 FLOPs per citra. Penelitian ini membuktikan bahwa pendekatan hibrida fusi fitur berbasis ML mampu memberikan kompromi (trade-off) optimal antara akurasi diagnostik yang tinggi dan beban komputasi yang minimal untuk implementasi klinis secara real-time.