Klasifikasi Multikelas Penyakit Paru pada Citra X-Ray

Implementasi Transfer Learning ResNet-50 untuk mengotomatisasi ekstraksi fitur dan mengklasifikasikan kondisi Normal, COVID-19, dan Viral Pneumonia secara presisi.

🚀 View AI Demo Source Code

⚡ Executive Summary

Proyek ini bertujuan untuk mengatasi tantangan misdiagnosis pada penyakit paru akibat kemiripan visual radiologis. Dengan memanfaatkan teknik Transfer Learning, model ini dilatih secara khusus menangani masalah imbalanced data untuk memprioritaskan sensitivitas klinis (terutama pada kasus COVID-19).

Akurasi Validasi

0.00%

Arsitektur Inti

ResNet-50

Fitur Utama

Grad-CAM

🔬 Tantangan Medis

Visual Ambiguity: Kemiripan tekstur (infiltrat/bercak) antara COVID-19 dan pneumonia biasa seringkali menyulitkan diagnosa manual dan rentan human error.

Data Imbalance: Jumlah data COVID-19 jauh lebih sedikit, AI cenderung bias jika tidak ditangani dengan benar.

Eksklusi Lung Opacity: Kelas ini dihapus dari dataset Kaggle karena hanya temuan radiologis umum, bukan penyakit spesifik. Menghapusnya menajamkan decision boundary model.

Multi-class Chest X-Ray Samples

🎯 Tujuan & Luaran Penelitian

🛡️ Keamanan Klinis

Fokus menekan nilai False Negative (kesalahan diagnosis pasien sakit menjadi sehat) pada kelas COVID-19 dan Pneumonia sebagai prioritas utama keselamatan pasien.

👁️ Explainable AI

Tidak hanya menghasilkan akurasi tinggi, model akan dilengkapi dengan visualisasi Grad-CAM yang berfungsi sebagai second opinion yang dapat diinterpretasi oleh tenaga medis.

📑 Publikasi SINTA

Menyusun temuan eksperimen ke dalam format IMRAD untuk dipublikasikan pada jurnal ilmiah terakreditasi SINTA sebagai kontribusi nyata pada literatur medis dan AI.

🔄 Alur Penelitian (System Flowchart)

📥 Preprocessing & Data

Download Kaggle Dataset. Resizing (224x224), Min-Max Normalization, dan Data Augmentation (Rotasi, Zoom).

✂️ Dataset Splitting

Membagi kumpulan data menjadi 3 bagian: Training Set, Validation Set, dan Testing Set (Pengujian Akhir).

🧠 Modeling (CNN)

Transfer Learning ResNet-50. Fine-tuning pada Fully Connected Layer dengan aktivasi Softmax (3 Kelas).

📊 Evaluasi Model

Pengujian Buta (Blind Test) menggunakan Confusion Matrix untuk melihat Accuracy, Precision, Recall, dan F1-Score.

📈 Analisis Hasil

Pembahasan grafik Learning Curve (Loss & Accuracy tiap Epoch) untuk membuktikan model tidak Overfitting.

📝 Penulisan Jurnal SINTA

Penyusunan naskah publikasi menggunakan format IMRAD (Introduction, Method, Results & Discussion, Conclusion).

📚 Dokumentasi Teknis

📊

TensorFlow

TailwindCSS

Jupyter