Pengolahan Citra Digital Untuk Ekstraksi Fitur Pada Hybrid Model CNN-SVM Dalam Deteksi Penyakkit Pneunomia Berbasis X-Ray Dada

Abstract

Pneumonia merupakan salah satu penyakit infeksi paru-paru yang masih menjadi penyebab utama kematian, terutama pada anak-anak dan lansia. Deteksi dini dan akurat terhadap pneumonia sangat penting untuk mendukung pengambilan keputusan medis yang cepat dan tepat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi pneumonia berbasis citra X-ray dada dengan pendekatan hybrid yang menggabungkan Convolutional Neural Network (CNN) sebagai ekstraktor fitur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Dataset yang digunakan berasal dari Guangzhou Women and Children’s Medical Center, terdiri dari citra X-ray dada yang telah dikategorikan ke dalam dua kelas, yaitu “Normal” dan “Pneumonia”. Proses pra-pemrosesan dilakukan dengan normalisasi dan augmentasi citra. Ekstraksi fitur dilakukan menggunakan arsitektur CNN dengan lima blok konvolusional dan satu lapisan GlobalAveragePooling. Fitur yang dihasilkan dari proses ini kemudian diklasifikasikan menggunakan SVM dengan parameter terbaik yang diperoleh melalui GridSearch dan validasi silang Stratified K-Fold. Hasil pengujian menunjukkan bahwa model hybrid CNN-SVM mencapai akurasi sebesar 92.75% pada data pelatihan dan 81.57% pada data pengujian. Meskipun akurasi pada data validasi hanya 50%, hal ini disebabkan oleh jumlah data validasi yang sangat terbatas. Model menunjukkan sensitivitas tinggi terhadap kasus pneumonia, yang merupakan metrik penting dalam deteksi penyakit. Implementasi akhir dilakukan dengan mengintegrasikan model ke dalam aplikasi antarmuka sederhana berbasis Gradio untuk memudahkan pengguna melakukan deteksi secara mandiri. Penelitian ini menunjukkan bahwa pendekatan hybrid CNN-SVM efektif digunakan untuk deteksi pneumonia berbasis citra X-ray dada dan berpotensi dikembangkan lebih lanjut sebagai alat bantu diagnosis di bidang medis.