Electronic Theses and Dissertation

Tuberkulosis (TB) telah menjadi ancaman kesehatan global dengan jutaan kasus setiap tahun. Oleh karena itu, deteksi cepat dan tepat diperlukan untuk mengendalikan penyebarannya. Penerapan kecerdasan buatan, khususnya Deep Learning (DL), telah menunjukkan potensi besar dalam meningkatkan akurasi deteksi TB melalui analisis citra X-ray berbasis DL. Meskipun banyak penelitian yang telah mengembangkan model klasifikasi citra X-ray, namun terbatas sekali yang mengintegrasikannya ke dalam platform web atau mobile. Selain itu, model-model yang diintegrasikan ke dalam platform tersebut umumnya belum menerapkan metode continuous learning sehingga kinerja model tidak bisa diperbarui. Dengan demikian, perlu dibangun suatu sistem cerdas berbasis aplikasi web yang mengintegrasikan model ResNet-101 untuk deteksi TB pada citra X-ray. Sistem ini memanfaatkan metode continuous learning, memungkinkan model untuk memperbarui dirinya secara otomatis dengan data baru, sehingga meningkatkan kinerja deteksi seiring waktu. Hasil penelitian menunjukkan bahwa sebelum dilakukan continuous learning, model berhasil mengklasifikasikan semua citra TB dengan benar, namun hanya mampu mengklasifikasikan dua citra normal dengan benar, menghasilkan akurasi sebesar 62,5%. Setelah dilakukan continuous learning manual, model menunjukkan peningkatan akurasi menjadi 86%, dengan kemampuan yang lebih baik dalam mengenali citra normal, meskipun terdapat sedikit penurunan performa dalam mendeteksi TB.

Tuberculosis (TB) has become a global health threat with millions of cases every year. Therefore, fast and precise detection is needed to control its spread. The application of artificial intelligence, especially Deep Learning (DL), has shown great potential in improving the accuracy of TB detection through DL-based X-ray image analysis. Although many studies have developed X-ray image classification models, very few have integrated them into web or mobile platforms. In addition, the models integrated into the platform generally do not apply continuous learning methods so that model performance cannot be updated. Thus, it is necessary to build an intelligent system based on a web application that integrates the ResNet-101 model for TB detection in X-ray images. The system utilizes continuous learning methods, allowing the model to update itself automatically with new data, thereby improving detection performance over time. The research results show that before continuous learning was carried out, the model succeeded in classifying all TB images correctly, but was only able to classify two normal images correctly, resulting in an accuracy of 62.5%. After continuous manual learning, the model showed an increase in accuracy to 86%, with better ability to recognize normal images, although there was a slight decrease in performance in detecting TB.