Penelitian ini membahas penggunaan model Deep Learning berbasis GoogleNet untuk mengklasifikasikan bakteri Tuberculosis (TB) dari citra mikroskopis. TB masih menjadi masalah kesehatan global, terutama di negara dengan keterbatasan fasilitas medis, sehingga deteksi dini sangat penting. Namun, analisis citra mikroskopis secara manual memiliki tingkat kesulitan tinggi.
Dataset yang digunakan terdiri dari 1.266 citra, dengan pembagian 80% untuk pelatihan dan 20% untuk pengujian. Sebelum diproses, citra ditingkatkan kualitasnya menggunakan teknik median filter. Penelitian ini membandingkan empat algoritma optimasi, yaitu RMSprop, SGD, Adam, dan SGDM untuk menentukan performa terbaik dalam pelatihan model. Hasil eksperimen menunjukkan bahwa optimizer Adam memberikan performa terbaik. Dengan pendekatan transfer learning, model GoogleNet mampu mencapai akurasi, presisi, recall, dan F1-Score yang sangat tinggi, masing-masing sebesar 98,52%, serta efisiensi waktu pelatihan yang baik.
Model GoogleNet dengan optimizer Adam (batch size 16, learning rate 0.0001, dan 20 epoch) menunjukkan kinerja yang sangat baik dalam klasifikasi TB, dengan loss sebesar 5,80% dan akurasi 98,52%. Grafik pelatihan juga menunjukkan penurunan loss yang konsisten, menandakan model mampu mempelajari pola data dengan efektif, meskipun terdapat sedikit variasi pada validation loss.
Aeri Rachmad1,*,Husni1,Mohammad Syarief1, Eka Mala Sari Rochman1,
Yuli Panca Asmara2, Miswanto3, Suci Hernawati4
1 Department of Informatics, Faculty of Engineering, University of Trunojoyo Madura, Indonesia
3Faculty of Engineering and Quantity Surveying, INTI International University, Negeri Sembilan 71800, Malaysia
3Department of Mathematics, Faculty of Sciences and Technology, Airlangga University, Surabaya, Indonesia
4Department of Heath, Head of the Batuputih Community Health Center, Sumenep 69453, Indonesia
