Analisis Augmentasi Data untuk Klasifikasi Tuberkulosis Berbasis DenseNet121

Abstract

Tuberkulosis (TB) merupakan penyakit menular dengan beban kesehatan yang tinggi, sehingga deteksi dini menggunakan citra rontgen dada (Chest X-Ray/CXR) menjadi penting untuk mempercepat diagnosis dan mendukung pengendalian penyakit. Namun, keterbatasan jumlah data berlabel serta ketidakseimbangan kelas pada dataset publik menyebabkan model Deep Learning rentan mengalami overfitting dan kesalahan klasifikasi, terutama pada kelas minoritas. Penelitian ini bertujuan menganalisis efektivitas berbagai teknik augmentasi data dalam meningkatkan kinerja model DenseNet121 untuk klasifikasi TB pada citra X-ray paru. Arsitektur DenseNet121 dimodifikasi dengan penambahan fully connected layer dan dropout untuk meningkatkan kemampuan generalisasi serta mengurangi risiko overfitting. Penelitian menggunakan dataset Tuberculosis Chest X-Ray Kaggle yang terdiri dari 3.500 Citra Normal dan 700 citra TB. Tahapan penelitian meliputi preprocessing (normalisasi, resizing, konversi grayscale ke pseudo-RGB, dan segmentasi ROI paru), pembagian data dengan stratified sampling (70% pelatihan, 15% validasi, 15% pengujian), serta pelatihan model pada empat skenario: tanpa augmentasi, augmentasi geometrik, augmentasi intensitas, dan augmentasi lanjutan (MixUp, CutMix, Random Erasing). Evaluasi dilakukan menggunakan akurasi, presisi, recall, F1-score, AUROC, AUPRC, confusion matrix, Grad-CAM, Bootstrap Confidence Interval, dan uji McNemar. Hasil menunjukkan bahwa augmentasi lanjutan memberikan kinerja numerik terbaik dengan akurasi 98,57% dan F1-score 0,9569, namun perbedaan performa tidak signifikan pada α = 0,05. Temuan ini menunjukkan bahwa meskipun meningkatkan performa secara empiris, augmentasi lanjutan memerlukan validasi eksternal skala besar untuk memastikan generalisasi yang lebih kuat.