Penelitian ini dilatarbelakangi oleh tingginya beban penyakit pernapasan di
Indonesia, khususnya tuberkulosis yang menempatkan Indonesia di peringkat
kedua dunia dengan 1,02 juta kasus baru pada tahun 2023, serta Infeksi Saluran
Pernapasan Akut (ISPA) dengan 27,8 juta kasus rawat jalan. Interpretasi citra X-
ray toraks secara manual sangat bergantung pada keahlian radiolog dan rentan
terhadap variabilitas diagnostik antar pengamat, dengan sensitivitas deteksi
tuberkulosis pada X-ray konvensional hanya berkisar 50–70%. Keterbatasan
infrastruktur diagnostik dan distribusi tenaga radiolog yang tidak merata di
Indonesia, terutama di daerah terpencil, menyebabkan keterlambatan diagnosis
yang meningkatkan angka komplikasi dan mortalitas. Kondisi tersebut mendorong
perlunya solusi berbasis kecerdasan buatan yang mampu meningkatkan akurasi dan
efisiensi proses diagnosa, dengan mengembangkan sistem klasifikasi penyakit
paru-paru menggunakan deep learning yang dioptimasi melalui strategi
hyperparameter tuning sistematis untuk mengklasifikasikan lima kategori
penyakit: Bacterial Pneumonia, COVID-19, Normal, Tuberculosis, dan Viral
Pneumonia.
Dataset publik citra X-ray toraks dari Kaggle (25.141 citra) diproses melalui
pipeline preprocessing komprehensif meliputi segmentasi paru-paru otomatis
menggunakan pre-trained U-Net, Normalisasi ImageNet statistics, dan augmentasi
adaptif (aggressive untuk minority classes dengan ShiftScaleRotate,
RandomBrightnessContrast, GaussNoise). Enam model klasifikasi independen
dikembangkan dari kombinasi tiga arsitektur CNN (EfficientNetB2, DenseNet121,
ResNet50) dengan hyperparameter default dan hasil optimasi Bayesian. Optimasi
hyperparameter menggunakan framework Optuna dengan strategi two-phase:
Gaussian Process (20 trials) untuk eksplorasi awal dan Tree-structured Parzen
Estimator (30 trials) untuk eksploitasi, mengeksplorasi enam parameter kritis yaitu
learning rate (1×10⁻⁶–1×10⁻²), weight decay (1×10⁻⁷–1×10⁻³), dense units (128–
512), dropout rate (0,3–0,7), activation function (ReLU, Swish), dan label
smoothing (0,0–0,2). Model dilatih menggunakan metodologi two-stage fine-tuning
dengan transfer learning dari ImageNet pre-trained weights, dilengkapi class
weighting strategy, early stopping, dan ReduceLROnPlateau. Penambahan
Convolutional Block Attention Module (CBAM) dengan reduction ratio 8 diterapkan untuk meningkatkan fokus model pada anatomically relevant regions.
Pelatihan dilakukan pada server Supermicro dengan dual Intel Xeon processor dan
NVIDIA Ada L40S GPU 48GB, menggunakan mixed precision training untuk
efisiensi komputasi.
Hasil pengujian pada test set dengan 5.007 sampel menunjukkan bahwa
konfigurasi default mengungguli hasil optimasi Bayesian pada semua arsitektur
yang diuji. EfficientNetB2_Default mencapai performa terbaik dengan Test
Accuracy 98,38%, F1-Macro 98,16%, Precision 98,10%, Recall 98,23%, dan Val
PR-AUC 99,87%. Model ini mencapai akurasi sempurna 100% untuk Tuberculosis
(517/517 prediksi benar, zero false negative) dan 99,6% untuk COVID-19, dengan
hanya 2 kasus high clinical impact errors (0,04% false negative rate COVID-19 ke
Normal). Meskipun optimasi hyperparameter menghasilkan perubahan signifikan
pada weight_decay (+1102,8%), dropout_rate (+40%), dan dense_units (+25%),
EfficientNetB2_BestParams hanya mencapai akurasi 98,36% dengan waktu
training 24,9% lebih lama (291 vs 233 epochs). DenseNet121_Default
menunjukkan akurasi 97,70% yang lebih baik dari DenseNet121_BestParams
(96,83%), mengindikasikan regularisasi agresif menghambat feature reuse.
ResNet50_Default mencapai akurasi 98,20% dengan efisiensi training tertinggi
(139 epochs, efficiency score 70,45), jauh mengungguli ResNet50_BestParams
(97,03%) yang mengalami gangguan gradient flow. Stabilitas model sangat tinggi
across 4 test partitions (F1_mean 0,9882, std 0,0083), membuktikan generalization
capability yang excellent. Confusion terbesar terjadi antara Bacterial Pneumonia
dan Viral_Pneumonia (57 kesalahan, 11,5% dari total misclassifications),
mencerminkan realistic clinical challenge pada diferensiasi kedua kondisi dengan
manifestasi radiologis sangat mirip.