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.
