Publisher

IAIC PUBLISHERIAIC PUBLISHER

Journal International Journal of Cyber ​​and IT Service Management (IJCITSM)International Journal of Cyber ​​and IT Service Management (IJCITSM) Abstract

Tuberculosis (TB) merupakan penyakit menular yang disebabkan oleh Mycobacterium TB dan masih menjadi salah satu penyebab utama kematian di seluruh dunia. Salah satu bentuk TB yang sulit didiagnosis adalah Smear-Negative Pulmonary Tuberculosis (SNPT), di mana bakteri penyebabnya tidak dapat terdeteksi melalui metode mikroskopik konvensional seperti pewarnaan Ziehl-Neelsen. Deteksi SNPT seringkali membutuhkan teknik-teknik yang lebih maju, termasuk pencitraan radiografi dan metode berbasis deep learning. Penelitian ini bertujuan mengembangkan dan mengevaluasi pendekatan berbasis deep learning untuk mendeteksi SNPT pada gambar rontgen dada menggunakan model Faster R-CNN dengan arsitektur ResNet. Metode yang diusulkan menerapkan teknik-teknik augmentasi data seperti flipping, rotasi, scaling, dan penyesuaian kecerahan secara acak untuk meningkatkan keragaman data pelatihan dan mengurangi overfitting. Model ini diimplementasikan menggunakan PyTorch dan dievaluasi menggunakan akurasi, presisi, recall, dan skor F1. Hasil eksperimen menunjukkan bahwa augmentasi data secara signifikan meningkatkan kinerja, mencapai akurasi 76,60% dan skor F1 68,57% dibandingkan dengan akurasi 53,06% dan skor F1 51,06% tanpa augmentasi. Peningkatan recall mencerminkan sensitivitas yang lebih tinggi dalam mendeteksi kasus SNPT. Temuan ini menunjukkan bahwa augmentasi data meningkatkan ketahanan dan generalisasi model Faster R-CNN untuk deteksi SNPT dan mendukung potensi sistem diagnostik yang dibantu AI dalam program skrining TB.

Conclusion

Penelitian ini menunjukkan bahwa penerapan augmentasi data pada model Faster R-CNN dengan arsitektur ResNet secara signifikan meningkatkan akurasi dan kemampuan deteksi SNPT pada gambar rontgen dada.Dengan meningkatkan keragaman data melalui augmentasi, model mampu belajar fitur yang lebih kuat dan diskriminatif, yang sangat penting untuk mengidentifikasi pola radiografik halus yang terkait dengan kasus smear-negative yang sering kali terlewatkan oleh pendekatan diagnostik konvensional.Hasil eksperimen menunjukkan peningkatan yang signifikan dalam kinerja model setelah penerapan teknik-teknik augmentasi data.Akurasi deteksi meningkat dari 53,06% menjadi 76,60%, sementara recall meningkat dari 48,98% menjadi 85,71%.Peningkatan ini menunjukkan bahwa model yang telah di-augmentasi jauh lebih efektif dalam mengidentifikasi kasus TB yang sebenarnya, sehingga mengurangi risiko terlewatkannya diagnosis dan mendukung pengambilan keputusan klinis yang lebih andal dalam proses skrining TB.Selain peningkatan kinerja, penelitian ini juga berkontribusi pada bidang analisis citra medis dengan menunjukkan bagaimana integrasi strategis dari berbagai teknik augmentasi data dalam kerangka deep learning berbasis region dapat mengatasi tantangan diagnostik yang terkait dengan SNPT.Kombinasi Faster R-CNN dan arsitektur ResNet memungkinkan lokalisasi presisi dari fitur radiografik halus, sementara strategi augmentasi yang diterapkan meningkatkan ketahanan model di bawah kondisi data terbatas.Kontribusi ini memperluas peran deep learning dalam deteksi TB dari kemajuan algoritmik murni menuju dukungan praktis untuk diagnosis dini dan sistem skrining yang lebih andal dalam konteks klinis dan kesehatan masyarakat.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi strategi augmentasi data yang lebih maju, seperti yang didasarkan pada jaringan adversarial generatif (GAN), yang memiliki potensi untuk menghasilkan citra medis sintetis yang sangat realistis. Selain itu, penggunaan dataset yang lebih besar dan beragam dari berbagai sumber juga harus dipertimbangkan untuk meningkatkan kemampuan generalisasi model dan memvalidasi kinerjanya di berbagai pengaturan klinis dan populasi pasien. Selain itu, penelitian dapat fokus pada optimasi presisi model dengan menerapkan metode augmentasi yang lebih canggih atau melakukan penyesuaian hiperparameter. Penelitian juga dapat mengeksplorasi penggunaan teknik-teknik augmentasi data yang lebih kompleks atau kombinasi yang berbeda untuk meningkatkan kinerja model dalam mendeteksi SNPT. Penelitian lanjutan juga dapat dilakukan untuk mengevaluasi kinerja model dalam berbagai skenario klinis dan populasi pasien yang berbeda, serta mengidentifikasi faktor-faktor yang dapat mempengaruhi kinerja model dalam pengaturan nyata. Dengan demikian, penelitian ini dapat berkontribusi pada pengembangan sistem diagnostik yang dibantu AI yang lebih andal dan akurat untuk deteksi SNPT, sehingga mendukung upaya pengendalian TB dan meningkatkan kualitas perawatan kesehatan.

References

1. Improving Smear-Negative Tuberculosis Detection Using Data Augmentation and Faster R-CNN | International... doi.org/10.34306/ijcitsm.v6i1.233Improving Smear Negative Tuberculosis Detection Using Data Augmentation and Faster R CNN International doi 10 34306 ijcitsm v6i1 233
2. International Journal of Cyber ​​and IT Service Management (IJCITSM). journal cyber service management... doi.org/10.34306/ijcitsmInternational Journal of Cyber AUAUand IT Service Management IJCITSM journal cyber service management doi 10 34306 ijcitsm

Metadata

File size	3.71 MB
Pages	13
DMCA	Report