TBCustodian : AI untuk Klasifikasi Tuberkulosis Karya Mahasiswa Unair

Perbandingan X-ray paru: Normal, Unilateral PTB, dan Bilateral PTB.

Tuberkulosis (TB) adalah penyakit infeksi serius yang disebabkan oleh Mycobacterium tuberculosis dan masih menjadi tantangan global dalam bidang kesehatan. Berdasarkan laporan World Health Organization (WHO) tahun 2022, TB merupakan penyebab utama kematian akibat penyakit menular. Di Indonesia, tercatat sekitar 845.000 kasus baru pada tahun 2020, menjadikan negara ini sebagai salah satu dengan beban TB tertinggi.

Perkembangan teknologi kecerdasan buatan (AI) membuka peluang baru dalam diagnosis TB. Dengan metode seperti Convolutional Neural Network (CNN), AI dapat meningkatkan kecepatan dan akurasi deteksi TB melalui analisis citra rontgen dada, mendukung pengembangan layanan kesehatan yang lebih efisien di Era Digital.

Penelitian ini menggunakan metode CNN sebagai pendekatan utama dalam pengklasifikasian citra medis. Data penelitian diperoleh dari dataset Chest X-ray Images for Tuberculosis (TBX11K) yang tersedia di Kaggle. Dataset ini terdiri dari 11.200 gambar X-ray paru-paru yang dikategorikan menjadi normal, Unilateral PTB, dan Bilateral PTB.

AI Bantu Deteksi Tuberkulosis: Inovasi Baru dalam Diagnosis Medis

1. Convolutional Neural Network (CNN):

- CNN digunakan untuk mengekstrak fitur dari gambar X-ray melalui beberapa lapisan konvolusi.

- Augmentasi data dilakukan untuk meningkatkan variasi dataset dan mengurangi overfitting.

- Model dikembangkan menggunakan arsitektur ResNet-50 dan diuji dengan beberapa parameter untuk mendapatkan akurasi optimal.

2. Support Vector Machine (SVM):

- SVM digunakan sebagai metode pembanding dalam klasifikasi TB.

- Model ini bekerja dengan menemukan hyperplane terbaik yang memisahkan data TB dan non-TB berdasarkan fitur yang diekstrak dari gambar X-ray.

- SVM diuji dengan kernel linear dan radial basis function (RBF) untuk melihat performa terbaiknya dalam klasifikasi TB.

- Hasil pengujian menunjukkan bahwa CNN memiliki akurasi lebih tinggi dibandingkan SVM, namun SVM tetap memberikan hasil yang cukup baik dalam klasifikasi biner (TB vs Normal).

Hasil penelitian menunjukkan bahwa model CNN mampu mengklasifikasikan TB dengan akurasi tinggi. Pada tahap pertama (TB vs normal), model CNN mencapai akurasi 91%. Pada tahap kedua (Unilateral PTB vs Bilateral PTB), akurasi meningkat hingga 92%.

Untuk mendukung implementasi teknologi ini, dikembangkan aplikasi "AP3: Aplikasi Pengklasifikasian Penyakit Tuberkulosis" dengan fitur utama:

- Unggah Foto Rontgen: Pengguna dapat mengunggah gambar X-ray untuk analisis otomatis.

- Prediksi Penyakit TB: Sistem memberikan hasil klasifikasi TB secara cepat dan akurat.

- Pencatat Gejala: Fitur untuk mencatat perkembangan gejala pasien.

- Dokter Terdekat: Menampilkan daftar dokter paru yang tersedia di sekitar lokasi pengguna.

- Notifikasi Obat: Pengingat jadwal konsumsi obat bagi pasien TB.

Aplikasi ini diharapkan dapat mendukung program Tele-Radiologi yang telah digagas oleh Kementerian Kesehatan Republik Indonesia sejak 2017.

Penerapan AI dalam diagnosis TB memberikan dampak positif dalam meningkatkan akurasi dan efisiensi layanan kesehatan. CNN terbukti efektif dalam mengklasifikasikan TB berdasarkan citra X-ray paru-paru. Dengan adanya aplikasi AP3, masyarakat dapat memperoleh layanan diagnosis TB yang lebih cepat, akurat, dan mudah dijangkau.

Integrasi AI dalam industri kesehatan sejalan dengan tujuan Sustainable Development Goals (SDGs) ke-3, yaitu memastikan kehidupan sehat dan sejahtera bagi semua orang. Pemanfaatan teknologi yang tepat dapat membantu deteksi dini TB secara lebih efektif, sehingga menekan angka penyebaran dan kematian akibat penyakit ini di Indonesia.