Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDiabetic Retinopathy (DR) merupakan komplikasi jangka panjang dari Diabetes Mellitus (DM) yang mempengaruhi penglihatan karena adanya mikrovaskular pada retina. Hal ini dapat mengakibatkan gangguan penglihatan dan kebutaan jika ditangani terlambat. DR dapat dideteksi melalui pemeriksaan citra fundus. Salah satu pendekatan dalam mendeteksi DR pada citra fundus yaitu dengan pendekatan deep learning yang merupakan salah satu metode implementasi dari machine learning.  Dalam penelitian ini, digunakan metode Convolutional Neural Networks (CNN) dengan arsitektur ResNet-50 dan DenseNet-121. Data yang digunakan dalam penelitian ini diambil dari DIARETDB1 yang merupakan online database yang berisi gambar fundus. Selanjutnya, dilakukan tahap preprocessing pada citra untuk meningkatkan kinerja model seperti mengambil green channel dan menerapkan inverted green channel, mengubah citra warna menjadi grayscale, dan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk penyeragaman kontras pada citra. Hasil penelitian ini menunjukkan bahwa model ResNet-50 lebih baik dibandingkan DenseNet-121 dalam mendeteksi DR. Hasil terbaik dari beberapa kasus testing model ResNet-50 yaitu accuracy, precision, dan recall masing-masing sebesar 92,2%, 93,6%, dan 92,6% dengan running time untuk training selama 6 menit 21,296 detik dan testing selama 1,174 detik.

---

ABSTRACTDiabetic Retinopathy (DR) is a long-term complication of Diabetes Mellitus (DM) that affects vision because of the presence of microvascular retinal. This can result in visual impairment and blindness if treated late. DR can be detected by examining fundus images. One approach to detecting DR in fundus images is the deep learning approach which is one of the methods of implementing machine learning. In this study, the Convolutional Neural Networks (CNN) method is used with the ResNet-50 and DenseNet-121 architectures. The data used in this study were taken from DIARETDB1, which is an online database that contains fundus images. Then, pre-processing stage is carried out on the fundus image to improve model performance such as selected the green channel from the images and inverted it, converted the images into grayscale images, and applied Contrast Limited Adaptive Histogram Equalization (CLAHE) for uniform contrast in the images. The results of this study indicate that the ResNet-50 model is better than DenseNet-121 in detecting DR. The best results from several cases testing the ResNet-50 model are accuracy, precision, and recall of 92.2%, 93.6%, and 92.6% respectively with running time for training for 6 minutes 21.296 seconds and testing for 1.174 seconds."

"Bayi prematur adalah bayi yang lahir dengan usia kehamilan kurang dari 37 minggu yang memiliki sistem saraf dan organ-organ yang belum sempurna sehingga lebih beresiko mengalami berbagai masalah kesehatan. Salah satu masalah kesehatan yang dapat terjadi adalah pada organ mata yang merupakan organ penting dalam perkembangan bayi. Retinopathy of Prematurity (ROP) merupakan salah satu penyakit mata yang terjadi pada bayi prematur yang disebabkan oleh pembentukan pembuluh darah retina yang tidak normal. Proses diagnosis yang dilakukan oleh dokter mata belum bisa mengatasi kenaikan jumlah kasus ROP, sehingga disini penulis menggunakan pendekatan deep learning untuk melakukan klasifikasi tingkat keparahan ROP pada citra fundus retina. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari online database Kaggle berupa 90 data citra fundus retina yang terbagi atas 38 citra bukan penderita ROP, 19 citra penderita ROP Stage 1, 22 citra penderita ROP Stage 2, dan 11 citra penderita ROP Stage 3. Pada tahap persiapan data, dilakukan perbaikan kontras citra menggunakan Contrast Limited Adaptive Histogram (CLAHE) dan image masking. Kemudian dilakukan resize citra menjadi ukuran 224×224. Data kemudian diaugmentasi menggunakan teknik flip horizontal dan rotation agar data menjadi lebih banyak yang kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 20% untuk data validation. Training model dilakukan menggunakan model dengan arsitektur ResNet50 dengan hyerparameter model yaitu batch size 64, learning rate 0.001, dan epoch sebanyak 30, fungsi optimasi Adam (Adaptive moment estimation), dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99.714% dan 92.85% pada akurasi training dan akurasi validation-nya, selain itu diperoleh nilai 0.01864 dan 0.18434 pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 97.352%, testing loss sebesar 0.0986374, dan AUROC sebesar 0.0955. Selain melakukan evaluasi kinerja, peneliti juga akan menggunakan GradCAM untuk menampilkan visualisasi ciri-ciri yang dianggap penting untuk nantinya membantu dokter dalam mengevaluasi ROP.

---

Premature infants are babies born with a gestational age of less than 37 weeks, and they have underdeveloped nervous systems and organs, making them more susceptible to various health issues. One of the health problems that can occur involves the eye, which plays a crucial role in the baby's development. Retinopathy of Prematurity (ROP) is one of the eye diseases that affects premature infants and is caused by abnormal blood vessel formation in the retina. The current diagnostic processes performed by ophthalmologists have not been effective in addressing the increase in ROP cases. Therefore, in this study, the author employs a deep learning approach to classify the severity of ROP in retinal fundus images. The deep learning method utilized is the Convolutional Neural Network (CNN) with the ResNet50 architecture. The research data consists of 90 retinal fundus images obtained from the online database Kaggle, comprising 38 images of non-ROP cases, 19 images of ROP Stage 1, 22 images of ROP Stage 2, and 11 images of ROP Stage 3. In the data preparation phase, the image contrast is enhanced using Contrast Limited Adaptive Histogram (CLAHE) and image masking techniques. Subsequently, the images are resized to 224×224 dimensions. Data augmentation is performed using horizontal flip and rotation techniques to increase the dataset, which is then split into 80% training data and 20% testing data. From the 80% training data, 20% is further allocated for validation data. The model is trained using the ResNet50 architecture with hyperparameters set to batch size 64, learning rate 0.001, and 30 epochs. The optimization function used is Adam (Adaptive Moment Estimation), and the loss function is categorical cross-entropy. The modeling process is repeated five times, and the average performance of the training model is achieved at 99.714% for training accuracy and 92.85% for validation accuracy, with training and validation losses of 0.01864 and 0.18434, respectively. As for the average performance of the testing model, the testing accuracy is 97.352%, the testing loss is 0.0986374, and the AUROC (Area Under the Receiver Operating Characteristic) is 0.0955. In addition to evaluating the model's performance, the researcher also employs GradCAM to visualize important features, which can assist doctors in evaluating ROP cases."

"Katarak merupakan keadaan di mana lensa mata yang biasanya terlihat jernih dan bening menjadi keruh yang disebabkan oleh sebuah kumpulan protein yang terletak di depan retina. Hal ini menyebabkan jaringan lensa mata mulai rusak dan menggumpal, sehingga berkurangnya cahaya yang masuk ke retina dan pandangan akan terlihat buram, kurang berwarna, serta dapat menyebabkan kebutaan yang permanen. Mendiagnosis penyakit katarak pada seseorang dapat menggunakan proses pemeriksaan citra fundus, hasil dari citra fundus kemudian dideteksi menggunakan salah satu pendekatan deep learning. Dalam penelitian ini, digunakan pendekatan deep learning yaitu metode Convolutional Neural Networks (CNN) classic dan CNN LeNet-5 pada fungsi aktivasi ReLU dan Mish dalam mendeteksi katarak. Data yang digunakan dalam penelitian ini yaitu data ODR yang merupakan online database yang berisi citra fundus dengan bervariasi ukuran citra. Dataset kemudian memasuki tahap preprocessing dalam meningkatkan performa model seperti mengkonversikan citra RGB menjadi grayscale dari intensitas green channel, kemudian menerapkan proses binerisasi citra menggunakan thresholding untuk menyesuaikan target atau label berdasarkan diagnosis dokter dan mengetahui tingkat kerusakan bagian mata dalam mendeteksi mata mengalami katarak atau tidak. Hasil performa pada penelitian ini menunjukkan bahwa model CNN LeNet-5 dengan fungsi aktivasi Mish lebih baik dibandingkan model CNN clasic dengan fungsi aktivasi Mish dalam mendeteksi penyakit katarak. Hasil performa keseluruhan yang optimal pada penelitian ini berdasarkan nilai accuracy, precision, recall, dan F1- score secara berturutturut yaitu 87%, 87,5%, 89,3%, 86,7%, dengan running time yang dibutuhkan pada training 95,67 detik dan testing 0,1859 detik.

---

Cataract is a condition in which the normally clear lens of the eye becomes cloudy due to a collection of proteins located in front of the retina. This causes the tissue of the eye's lens to begin to break down and clot, resulting in less light entering the retina and blurred vision, lack of color, and can lead to permanent blindness. Diagnosing cataracts in a person can use the process of examining the fundus image, the results of the fundus image are then detected using one of the deep learning approaches. In this study, a deep learning approach was used, namely Convolutional Neural Networks (CNN) classic and CNN LeNet-5 method on the ReLU and Mish activation functions in detecting cataracts. The data used in this study is ODR data which is an online database containing fundus images with varying image sizes. The dataset then enters the preprocessing stage to improve model performance, such as converting the RGB image to grayscale from the intensity of the green channel, then applying a binary image process using thresholding to adjust the target or label based on the doctor's diagnosis and determine the level of eye damage to detect cataracts or not. The performance results in this study indicate that the CNN LeNet- 5 model with Mish activation function is better than the CNN classic model with Mish activation function in detecting cataract disease. Optimal overall performance results in this study are based on the values of accuracy, precision, recall, and F1-score, respectively, namely 87%, 87,5%, 89,3%, 86,7%, with the running time required for training 95,67 seconds and testing 0,1859 seconds."

"Retinopati diabetik adalah kelainan vaskular retina yang disebabkan oleh diabetes jangka panjang. Deteksi dini retinopati diabetik pada pasien diabetes diperlukan karena tidak ada gejala yang terlihat selama tahap awal penyakit. Para peneliti mengembangkan metode berbasis komputer untuk membantu dokter dalam proses deteksi dini. Dokter dapat menggunakan output dari metode tersebut sebagai pertimbangan dalam mediagnosis tipe retinopati diabetik yang diderita pasien. Salah satu metode yang populer adalah deep learning. Pada penelitian ini, dibangun gabungan dua algoritma deep learning, yaitu Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM) untuk deteksi retinopati diabetik dengan output berupa caption yang menjelaskan kondisi yang ada pada citra fundus pasien. CNN digunakan untuk mengekstraksi fitur lesi retinopati diabetik pada citra fundus, dan LSTM digunakan untuk membuat caption berdasarkan fitur lesi tersebut. Penelitian ini menggunakan empat model CNN, yakni AlexNet, pre-trained AlexNet, GoogleNet, dan pre-trained GoogleNet. Simulasi gabungan algoritma CNN-LSTM dilakukan dengan proporsi data yang berbeda menggunakan data set dari Rumah Sakit Cipto Mangunkusumo. Hasil simulasi menunjukkan bahwa gabungan algortima CNN-LSTM dapat mendeteksi fitur lesi dan membuat caption dengan rata-rata kinerja akurasi tertinggi sebesar 91.69% untuk model pre-trained GoogleNet-LSTM dan proporsi data 80% data training dan 20% data testing.

---

Diabetic retinopathy is a retinal vascular disorder caused by long-term diabetes. Early diabetic retinopathy detection in diabetes patients is needed because no symptoms can be seen during the early stage of disease. The researchers developed a computer-based method to assist ophthalmologists in the early detection process. Ophthalmologists can use the output of the method as a consideration in diagnosing the type of diabetic retinopathy. One of the popular methods is deep learning. In this study, a combination of two deep learning algorithms, namely Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM), was constructed for diabetic retinopathy detection with the output in the form of a caption that explains the condition present in the patient’s fundus images. CNN is used to extract features of diabetic retinopathy lesions on fundus images, and LSTM is used to generate a caption based on those lesion features. This study used four CNN models that are AlexNet, pre-trained AlexNet, GoogleNet, and pre-trained GoogleNet. Simulation of a combined CNN-LSTM algorithm has been done with the different proportions of data using a data set from Cipto Mangunkusumo National General Hospital. The simulation results show that a combined CNN-LSTM algorithm can detect lesion features and generate caption with the highest average performance accuracy of 91.69% for pre-trained GoogleNet-LSTM and the proportion 80% training data and 20% testing data."

"Retinopati Diabetik (RD) merupakan salah satu penyakit yang dapat menyebabkan penurunan fungsi penglihatan pada mata, bahkan dapat menyebabkan kebutaan jika penanganan yang dilakukan tidak tepat. Upaya penanganan penyakit RD dapat dilakukan dengan deteksi dini. Melalui pendeteksian dini, pasien RD dapat diobati sesuai dengan tingkat keparahan yang diderita. Namun, pemeriksaan penyakit RD membutuhkan waktu yang lama dan hanya dapat dilakukan oleh profesional.Para peneliti telah mengembangkan sistem deteksi pengklasifikasian penyakit RD yang dengan memanfaatkan perkembangan teknologi seperti penerapan Artifficial Intelligence (AI) pada gambar fundus. Dalam penelitian ini, peneliti mengaplikasikan Attention Mechanism (AM) pada Convolutional Neural Network (CNN) untuk selanjutnya menganalisis dan mengevaluasi hasil dari kinerja algoritma tersebut dalam mengklasifikasikan RD ke dalam level normal, mild, moderate, severe dan PDR. AM berfokus pada daerah yang berpenyakit dan CNN digunakan untuk proses klasifikasi. Arsitektur CNN yang digunakan adalah AlexNet dan GoogleNet. Phyton digunakan sebagai bahasa pemrograman dengan perpustakaan Pytorch. Hasil performa akurasi yang paling tinggi diperoleh oleh GoogleNet dan AM dengan capaian akurasi mencapai 85%. Performa model pada tiap-tiap kelas menunjukkan nilai akurasi terbaik pada kelas normal, severe, dan PDR dengan capaian nilai f-1 score masing-masing 86%, 90% dan 95%. Sementara untuk kedua kelas lainnya yaitu mild dan moderate cenderung lebih rendah, yaitu 73% dan 76%. Hal ini menunjukkan bahwa model mampu mengklasifikasikan kelas normal, Severe, dan PDR lebih baik daripada mild dan moderate.

---

Diabetic retinopathy (DR) is a disease that can cause decreased vision function in the eye, and can even lead to blindness. Efforts to treat DR disease can be done with early detection. Through early detection, DR patients can be treated according to their severity. However, DR disease examination takes a long time and can only be done by a professional.

Researchers have developed a detection system for classifying DR disease by technological developments such as the application of Artifficial Intelligence to fundus images. In this study, the researchers applied the Attention Mechanism (AM) to CNN to further analyze and evaluate the results of the algorithm's performance in classifying RD into normal, mild, moderate, severe and PDR levels. AM focused on pathological area in the fundus images and CNN is used as classifier. We used Architecture of CNN such AlexNet and GoogleNet. The results of the highest accuracy performance were obtained by GoogleNet and AM with the achievement of 85%. The performance of the model in each class shows the best accuracy values in the normal, severe, and PDR classes with the achievement of f-1 scores of 86%, 90% and 95%, respectively. Meanwhile, the other two classes, namely mild and moderate, tended to be lower, namely 73% and 76%. This shows that the model is able to classify normal, severe, and PDR classes better than mild and moderate."

"Fraud asuransi merupakan tindakan yang sangat merugikan, baik untuk perusahaan asuransi dalam bentuk kerugian maupun untuk pemegang polis lainnya dalam bentuk kenaikan premi untuk menutupi kerugian. Salah satu cara yang dapat dilakukan adalah menggunakan jasa claim investigator untuk mendeteksi fraud yang mungkin terjadi. Namun, semakin banyak klaim yang perlu dianalisis, semakin tinggi juga biaya yang akan dikeluarkan. Solusi untuk mengatasi masalah scalability tersebut adalah dengan menggunakan machine learning. Metode machine learning yang saat ini cukup populer dan banyak digunakan untuk berbagai aplikasi adalah deep learning. Metode deep learning banyak dipakai untuk memproses data tidak terstruktur contohnya pemrosesan data gambar dengan menggunakan convolutional neural networks (CNN). Kesuksesan metode CNN dalam memproses data tidak terstruktur menjadi dasar dari pengembangan algoritma IGTD (image generator for tabular data) yang bertujuan untuk memproses data terstruktur menjadi data berbentuk gambar agar dapat diproses oleh metode CNN. Penelitian ini bertujuan untuk menganalisis kinerja algoritma IGTD dan model CNN dalam memprediksi fraud asuransi dengan menggunakan data fraud asuransi kendaraan bermotor. Kinerja algoritma IGTD dan model CNN akan dibandingkan dengan model XGBoost dengan pembobotan data, imbalance-XGBoost weighted function, decision tree, serta random forest. Selain itu, pada penelitian ini dianalisis juga modifikasi dari algoritma IGTD terhadap kinerja model CNN yang digunakan. Hasil simulasi menunjukkan bahwa algoritma IGTD dan model CNN masih belum mampu menandingi model XGBoost dengan pembobotan data dan imbalance-XGBoost weighted function yang masih menjadi model terbaik dalam memprediksi fraud asuransi. Selain itu, model CNN berbasis modifikasi algoritma IGTD memiliki kinerja yang serupa dengan model CNN berbasis algoritma IGTD.

---

Insurance fraud is an act that could inflict serious damage not only for the insurance company in the form of net loss, but also for other policyholders in the form of increased premium rates to cover the net loss. Insurance companies might use claim investigator to detect possible fraud by policyholders. However, as more claims need to be investigated, the cost of investigation will also increase. Machine learning is the solution for this scalability issue, especially the deep learning method which is popular and widely used in numerous applications. Deep learning method is commonly used to process unstructured data such as image by using convolutional neural networks (CNN). The success of CNN model motivates the invention of IGTD (image generator for tabular data) algorithm to process structured data into images to ensure it can be processed by the CNN model. The purpose of this research is to analyze the performance of IGTD algorithm and CNN model to predict insurance fraud using auto insurance fraud dataset. The performance of IGTD algorithm and CNN model is compared to XGBoost sample weighted, imbalance-XGBoost weighted function, decision tree, and random forest. In this research the impact of IGTD algorithm modification to the performance of CNN model is analyzed. The simulation result shows that the IGTD algorithm and CNN model is unable to outperform the best model to predict insurance fraud, XGBoost sample weighted and imbalance-XGBoost weighted function. Moreover, CNN model based on IGTD algorithm and modified IGTD algorithm yield similar performance."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"ABSTRAKA machine learning approach has been used in this work to categorize jewelry images into five different classes. This classification was achieved by using the convolutional neural network (CNN). The objective was to find different approaches that can be competent for the image classification and recognition. The images used in this work are drawn directly from the jewelry industries and companies. The first technique uses support vector machine along with the features that were extracted from the input images using AlexNet. The second method involves the use of Inception v3 model for performing the same. Upon experimenting, it was derived that both the approaches performed well, however, Inception v3 was found to be more successful by 0.9%. The Inception v3 was then further taken to train the dataset from scratch which resulted in better consistency."

"Diabetic Retinopathy merupakan penyakit yang disebabkan oleh komplikasi mikrovaskuler jangka panjang dari pasien Diabetes Melitus. Salah satu bentuk data biologi molekuler yang tengah berkembang pesat saat ini adalah data ekspresi gen pada microarray. Analisis data ekspresi gen dapat dilakukan dengan berbagai cara termasuk pengelompokkan data menggunakan algoritma clustering ataupun biclustering. Salah satu metode untuk menganalisis data ekspresi gen adalah metode Two-Phase Biclustering. Untuk data yang berukuran besar, metode tersebut membutuhkan waktu komputasi yang lama. Penerapan komputasi paralel diperlukan dalam metode Two-Phase Biclustering ini agar waktu komputasi yang dibutuhkan lebih sedikit dan memiliki kinerja yang baik. Dalam tesis ini akan dibahas implementasi paralel pada metode Two-Phase Biclustering, dimana fase pertama menggunakan algoritma paralel K-Means dan fase kedua menggunakan algoritma biclustering Cheng-Church pada data ekspresi gen Diabetic Retinopathy. Dari hasil penelitian kami diperoleh peningkatan kinerja komputasi berupa speed-up sebesar 3,63x pada multicore paralel R dan 34x pada pemrograman manycore paralel CUDA-GPU.

---

Diabetic Retinopathy is a disease caused by long term microvascular complications on diabetes mellitus patients. Recently, the microarray gene expression data has been developing rapidly in molecular biology. There are many techniques for gene expression data analysis methods using clustering or biclustering algorithms. One of the effective method for analyzing gene expression data is Two Phase Biclustering method. However for large sized data, the method requires long computation time. Implementation of parallel computing is necessary in Two Phase Biclustering method to reduce the computation time and to obtain a good performance.

In this thesis we discuss the implementation of parallel Two Phase biclustering, where in the first phase using parallel K Means algorithm and the second phase using Cheng Church biclustering algorithm on Diabetic Retinopathy gene expression data. In parallel K Means algorithms are applied multicore based parallel R programming and manycore CUDA GPU parallel programming. Parallelization using multicore based parallel R programming achieves an average speed up of 3.63x and using manycore CUDA GPU parallel programming achieves significant performance with an average speed up of 34x."

"Tuberkulosis (TB) merupakan suatu penyakit menular yang sebagian besar menyerang paru-paru manusia. Penularan penyakit ini terjadi ketika pasien tuberkulosis paru mengeluarkan percikan dahak yang mengandung kuman tuberkulosis ke udara. Penularannya yang mudah menjadikan tuberkulosis sebagai masalah kesehatan masyarakat, baik di Indonesia maupun internasional. Deteksi dini tuberkulosis paru dapat mencegah penularan serta menyembuhkan pasien. Namun, adanya pandemi COVID-19 saat ini dapat menurunkan angka kasus tuberkulosis yang berhasil terdeteksi. Hal ini menunjukkan perlu adanya kemajuan dalam metode pendeteksian penyakit tuberkulosis paru. Kini, perkembangan teknologi dapat dimanfaatkan untuk membantu bidang kesehatan, salah satunya dengan machine learning. Machine learning dapat digunakan untuk mendeteksi adanya suatu penyakit berdasarkan data citra. Dalam penelitian ini, model machine learning, Convolutional Neural Network-Random Forest (CNN-Random Forest) dan Convolutional Neural Network-XGBoost (CNN-XGBoost), diimplementasikan untuk mendeteksi tuberkulosis paru berdasarkan citra radiografi toraks. Selanjutnya, kedua model tersebut dievaluasi dan dibandingkan kinerjanya berdasarkan nilai akurasi dan nilai luas wilayah di bawah kurva ROC, atau biasa disebut dengan area under the curve (AUC). Data yang digunakan sebanyak 6000 yang terdiri dari 3000 citra radiografi toraks tuberkulosis paru dan 3000 citra radiografi toraks normal. Berdasarkan hasil yang diperoleh, model CNN-Random Forest dan CNN-XGBoost memberikan kinerja yang baik dan dapat diterapkan untuk mendeteksi tuberkulosis paru, dimana CNN digunakan untuk mengekstraksi fitur pada citra, kemudian hasil ekstraksi fitur tersebut menjadi input bagi pengklasifikasi Random Forest dan XGBoost. Evaluasi kinerja berdasarkan rata-rata nilai akurasi dan rata-rata nilai AUC pada model CNN-Random Forest memberikan hasil terbaik masing-masing sebesar 98.667% dan 99.933%, sementara pada model CNN-XGBoost memberikan hasil terbaik masing-masing sebesar 98.367% dan 99.866%. Kemudian berdasarkan perbandingan kinerja yang dilakukan, model CNN-Random Forest memberikan kinerja yang lebih baik dalam mendeteksi tuberkulosis paru dibandingkan dengan model CNN-XGBoost.

---

Tuberculosis (TB) is an infectious disease that in most cases attacks the human lungs. Transmission of this disease occurs when a patient with pulmonary tuberculosis expels phlegm containing tuberculosis germs into the air. Its easy transmission makes tuberculosis a public health problem, both in Indonesia and internationally. Early detection of pulmonary tuberculosis can prevent transmission and cure patients. However, the current COVID-19 pandemic can reduce the number of successfully detected tuberculosis cases. This shows the need for progress in the detection method of pulmonary tuberculosis. Now, technological developments can be used to help the health sector, one of which is machine learning. Machine learning can be used to detect the presence of a disease based on image data. In this study, machine learning models, Convolutional Neural Network-Random Forest (CNN-Random Forest) and Convolutional Neural Network-XGBoost (CNN-XGBoost), were implemented to detect pulmonary tuberculosis based on thorax radiography images. Furthermore, the performances of the two models were evaluated and compared based on the values of accuracy and area under the ROC curve, or commonly called the area under the curve (AUC). The data used were 6000 consisting of 3000 thorax radiography images of pulmonary tuberculosis and 3000 normal thorax radiography images. Based on the results obtained, the CNN-Random Forest and CNN-XGBoost models provided good performances and can be applied to detect pulmonary tuberculosis, where CNN was used to extract features in the image, then the results of the feature extraction became input for the Random Forest and XGBoost classifiers. Performance evaluation based on the average values of accuracy and AUC in the CNN-Random Forest model gave the best results of 98.667% and 99.933%, respectively, while the CNN-XGBoost model gave the best results of 98.367% and 99.866, respectively. Then based on the performance comparison, the CNN-Random Forest model provided a better performance in detecting pulmonary tuberculosis compared to the CNN-XGBoost model."