Model Hibrida DenseNet-161 dan XGBoost untuk Klasifikasi Multi-Kelas Kelainan Paru-Paru Berbasis Citra CT-Scan

Abstract

CT-Scan paru-paru membantu mendeteksi gejala awal, memantau progresi penyakit, dan mengidentifikasi komplikasi paru-paru. Selain itu terdapat kesamaan karakteristik antar penyakit paru-paru lain seperti pneumonia, tumor, kanker. Sehingga CT-Scan paru-paru menjadi alat diagnostik penting dalam penanganan penyakit-penyakit tersebut. Hasil CT-Scan dapat diklasifikasikan menggunakan Deep Learning yaitu Convolutional Neural Network dengan menggunakan arsitektur DenseNet-161 untuk ekstraksi fitur dari gambar CT-Scan paru-paru, yang kemudian diklasifikasikan menggunakan Extreme Gradient Boosting (XGBoost). Hasil eksperimen menunjukkan bahwa kombinasi DenseNet-161 dan XGBoost memberikan akurasi tinggi dalam klasifikasi penyakit paru-paru. DenseNet-161 digunakan untuk mengekstraksi fitur dari dataset citra CT-Scan, yang kemudian digunakan sebagai input untuk XGBoost. Evaluasi menggunakan metrik yang relevan menunjukkan bahwa model ini berhasil mengklasifikasikan 5 jenis penyakit paru-paru dengan rata-rata akurasi mencapai 98%. Analisis mendalam menunjukkan bahwa penggunaan n_estimators yang besar dapat menyebabkan overfitting. Namun, kombinasi DenseNet-161 dengan XGBoost memberikan akurasi training sebesar 98.99% dan akurasi validasi sebesar 99.13%, dengan precision, recall, dan F1-score mendekati 100%. Hasil ini menegaskan pentingnya memilih kombinasi model yang tepat untuk meningkatkan kinerja secara signifikan, terutama dalam analisis data kompleks seperti CT-Scan.