Paper ini membahas sulitnya membedakan antara penyakit tuberkulosis (TB) dan penyakit pneumonia yang dilihat dari citra X-ray karena kemiripan pola radiografis, sehingga diagnosis manual rentan kesalahan dan membutuhkan waktu. Dalam penelitian ini bertujuan meningkatkan akurasi klasifikasi penyakit paru pada citra X-ray dengan menggabungkan ekstraksi fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM) dan arsitektur EfficientNet (varian EfficientNet-B0, EfficientNetV2-B0, EfficientNetV2-S, dan EfficientNetV2-M). Metode yang digunakan dalam penelitian ini yaitu kombinasi Ekatraksi fitur GLCM dengan CNN- EfficientNet yang di optimasi dengan menggunakan metode Adam dengan parameter learning rate 0.00001, 50 epoch, batch size 32 dan 5-Fold. Data yang digunakan dalam penelitian ini merupakan penggabungan data chest X-ray dari Kaggle (normal, TB, pneumonia), diseimbangkan dengan augmentasi hingga total 9000 gambar (masing-masing kategori memiliki ~2700 gambar latih, 300 gambar uji). Dari seluruh gambar tersebut akan dinormalisasi dan diresize ke 224×224 piksel. Serta fitur tekstur diekstraksi menggunakan GLCM pada 4 orientasi dan 3 jarak, menghasilkan fitur energi, korelasi, homogenitas, dan kontras. Dari hasil model nantinya akan di ukur menggunakan matrik Accuracy, Precision, recall dan F1-score.
Dari hasil percobaan yang telah dilakukan, Akurasi Tertinggi diperoleh menggunakan metode CNN EfficientNetV2-S dan EfficientNetV2-M sama-sama mencapai akurasi 96,67%, namun EfficientNetV2-S lebih efisien dengan waktu pelatihan 28 menit (EfficientNetV2-M: 48 menit). Sedangkan untuk kinerja model EfficientNetV2-B0: Akurasi 96,00% (pelatihan tercepat, 11 menit). Untuk kinerja EfficientNet-B0: Akurasi 95,22% (pelatihan 14,5 menit). Kelas dengan Error Tertinggi, Kesalahan klasifikasi terbanyak terjadi antara kelas normal dan pneumonia, sedangkan TB relatif lebih mudah dikenali setelah augmentasi data. Dengan menambahkan metode GLCM secara signifikan meningkatkan representasi tekstur, sehingga model lebih akurat membedakan pola halus antara TB dan pneumonia.
Paper ini menunjukkan bahwa kombinasi GLCM dan EfficientNetV2-S sangat efektif untuk klasifikasi otomatis TB dan pneumonia dari X-ray dada, dengan akurasi tinggi dan waktu pelatihan yang efisien, sehingga relevan untuk mendukung skrining penyakit paru di klinis maupun perangkat bergerak.
Penulis: Dr. Miswanto, M.Si.
Available online at
Mathematical Modelling of Engineering Problems Vol.12 No.11, November 2025, pp. 3759-3770
ISSN: 2369-0739 (print); 2369-0747 (online)
