KLASIFIKASI PNEUMONIA DAN CONGESTIVE HEART FAILURE PADA CITRA X-RAY DADA MENGGUNAKAN GAMMA CORRECTION DENGAN COATNET-SVM

Abstract

Sistem pelayanan kesehatan menghadapi tekanan akibat volume citra medis yang terus meningkat sementara jumlah tenaga ahli terbatas, sehingga klasifikasi otomatis citra Chest X-ray (CXR) menggunakan kecerdasan buatan menjadi solusi mengingat peran CXR sebagai pencitraan utama dalam skrining awal. Penelitian ini bertujuan untuk mengembangkan pendekatan terintegrasi untuk klasifikasi pneumonia dan Congestive Heart Failure (CHF) melalui tiga tahap utama: preprocessing citra menggunakan gamma correction untuk peningkatan kontras, ekstraksi fitur dengan model pretrained CoAtNet yang menggabungkan arsitektur CNN dan Transformer, serta klasifikasi menggunakan Support Vector Machine (SVM) dengan optimasi hyperparameter melalui k-fold cross-validation. Hasil pengujian menunjukkan metode yang diusulkan mencapai performa dengan akurasi 0,841, presisi 0,842, recall 0,831, dan F1-score 0,832, melampaui semua pendekatan sebelumnya termasuk yang bergantung pada data eye-gaze tambahan. Kesimpulannya, kombinasi gamma correction, ekstraksi fitur CoAtNet, dan SVM yang dioptimalkan terbukti efektif meningkatkan akurasi klasifikasi pneumonia dan CHF tanpa memerlukan data eksternal yang sulit diperoleh, sehingga berpotensi diimplementasikan dalam praktik klinis untuk mendukung diagnosis cepat dan akurat.