PERBANDINGAN PERFORMA ARSITEKTUR VGG19, RESNET50 DAN DENSENET121 DALAM KLASIFIKASI CITRA X-RAY PENYAKIT PNEUMONIA

Wahyuningrum, Cantika Dyah (2025) PERBANDINGAN PERFORMA ARSITEKTUR VGG19, RESNET50 DAN DENSENET121 DALAM KLASIFIKASI CITRA X-RAY PENYAKIT PNEUMONIA. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI_CANTIKADYAHW.pdf Restricted to Repository staff only Download (2MB)
	Text ABSTRAK.pdf Download (76kB)
	Text COVER.pdf Download (162kB)
	Text DAFTAR ISI.pdf Download (47kB)
	Text DAFTAR PUSTAKA.pdf Download (166kB)
	Text DAFTAR PUSTAKA.pdf Download (166kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (5MB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (5MB)

Abstract

Deteksi pneumonia melalui citra X-ray merupakan langkah penting dalam dunia
medis untuk mendukung proses diagnosis dan penanganan yang lebih cepat serta akurat.
Pneumonia merupakan salah satu penyakit infeksi paru-paru yang dapat berdampak serius
pada kesehatan, terutama pada anak-anak, lansia, dan individu dengan sistem imun lemah.
Seiring dengan perkembangan teknologi kecerdasan buatan, metode deep learning
menunjukkan potensi besar dalam meningkatkan akurasi diagnosis berbasis citra medis,
termasuk dalam klasifikasi kondisi paru-paru.
Penelitian ini bertujuan untuk membandingkan kinerja tiga arsitektur deep learning,
yaitu VGG19, ResNet50 dan DenseNet121, dalam mendeteksi pneumonia menggunakan
citra X-ray. Dataset yang digunakan berasal dari website Kaggle dan berisi citra dada pasien
yang dikategorikan ke dalam dua label, yaitu Normal dan Pneumonia. Proses metodologi
mencakup tahap pre-processing data seperti augmentasi, resize, normalisasi, to tensor dan
normalisasi untuk memperbaiki kualitas serta variasi data pelatihan. Hyperparameter model
dioptimalkan menggunakan metode grid search, dan sistem diimplementasikan
menggunakan framework Streamlite untuk visualisasi interaktif.
VGG19 memperoleh precision sebesar 0,88, recall 0,80, dan f1-score 0,78.
DenseNet121 mencatat precision 0,89, recall 0,79, dan f1-score 0,81. Sementara itu,
ResNet50 menghasilkan precision 0,89, recall 0,77, dan f1-score 0,79. Ketiga arsitektur
menunjukkan performa yang cukup baik dalam mendeteksi pneumonia melalui citra X-ray,
dengan perbedaan nilai yang relatif kecil. Namun, berdasarkan keseimbangan antara
precision, recall, dan f1-score, DenseNet121 dapat dikatakan sebagai arsitektur yang paling
optimal dalam penelitian ini. Hal ini menunjukkan bahwa DenseNet121 mampu memberikan
hasil klasifikasi yang lebih konsisten, baik dalam mengenali kasus pneumonia maupun
membedakannya dari citra normal, sehingga lebih andal untuk digunakan dalam sistem
deteksi otomatis.
Kata kunci : Pneumonia, Citra X-ray, Deep Learning, VGG19, ResNet50, DenseNet121

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Pneumonia, Citra X-ray, Deep Learning, VGG19, ResNet50, DenseNet121
Subjek:	Q Science > Q Science (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Eny Suparny
Date Deposited:	23 Oct 2025 10:32
Last Modified:	23 Oct 2025 10:32
URI:	http://eprints.upnyk.ac.id/id/eprint/44905

Actions (login required)

View Item