Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
ISSN:2657-0327 KLASIFIKASI PENYAKIT PNEUMONIA PADA X-RAY PARU-PARU MENGGUNAKAN MODEL HYBRID GRAY LEVEL CO-OCCURRENCE
MATRIX DAN ARTIFICIAL NEURAL NETWORK
(Pneumonia Disease Classification on Chest X-ray Images Using a Hybrid Model of Gray Level Co-occurrence Matrix and Artificial Neural Networ.
Amdila Rahmadi*.
I Gede Pasek Suta Wijaya.
Pahrul Irfan.
Dept Informatics Engineering.
Mataram University Jl.
Majapahit 62.
Mataram.
Lombok NTB.
INDONESIA Email: amdilarahmadi@gmail.
com, gpsutawijaya@unram.
id, irfan@staff.
Abstract Pneumonia is a leading cause of morbidity and mortality, particularly in children, requiring rapid and accurate This study proposes a hybrid classification model that combines Gray Level Co-occurrence Matrix (GLCM) texture feature extraction with an Artificial Neural Network (ANN) to analyze chest X-ray images.
The dataset consisted of 3,150 images, balanced using random undersampling.
GLCM features were extracted across multiple distances and four orientations, generating 19 texture features per image.
Seven experimental scenarios were conducted to evaluate ANN architectures with 2, 3, and 4 fully connected layers to identify the most effective The best-performing model achieved an accuracy of 91.
50%, with precision, recall, and F1-score of 0.
demonstrating consistent performance in distinguishing normal and pneumonia cases.
Due to its relatively low computational complexity, this approach is suitable for low-resource healthcare settings.
Future work will focus on expanding the dataset and validating the model with clinical data to enhance real-world applicability.
Keywords: image classification.
ANN.
GLCM, pneumonia.
X-ray, hybrid model
*Corresponding Author
PENDAHULUAN
Pneumonia merupakan salah satu penyebab utama kematian dan morbiditas pada anak-anak di seluruh dunia .
Data Kementerian Kesehatan Republik Indonesia mencatat pneumonia menempati peringkat kedua sebagai penyebab kematian balita .
Selain dampak kesehatan, penyakit ini juga memberikan beban ekonomi dan sosial yang cukup besar bagi masyarakat dan negara.
Deteksi dini dan penanganan cepat menjadi kunci utama dalam menurunkan angka kematian akibat pneumonia.
Namun, berbagai kendala masih dihadapi, seperti kurangnya pemanfaatan teknologi dalam sistem pelayanan kesehatan .
Kondisi ini dapat menyebabkan proses diagnosis berjalan lebih lambat dan membuat pelayanan kesehatan kurang Peluang penggunaan AI di bidang kesehatan dapat diwujudkan melalui pengembangan mesin diagnosis pneumonia.
Tantangan seperti gejala awal yang tidak spesifik, minimnya radiolog di banyak http://jtika.
id/index.
php/JTIKA/ daerah, serta prosedur analisis gambar dapat memperlambat proses diagnosis.
Keterlambatan dalam diagnosis dapat meningkatkan beban kerja tenaga medis dan fasilitas kesehatan, yang akhirnya mengurangi efisiensi sistem kesehatan secara Teknologi kecerdasan buatan (AI) dapat membantu proses diagnosis secara cepat.
Salah satu pendekatan yang berkembang adalah penggunaan metode Machine Learning dan Deep Learning.
Penerapan machine learning pada gambar x-ray paruparu dapat digunakan untuk proses awal diagnosis penyakit ini sehingga dapat membantu tenaga medis dalam mengambil keputusan awal.
Sejumlah upaya telah dilakukan dalam rangka mengembangkan sistem diagnosis berbasis AI untuk pneumonia, baik dengan metode machine learning maupun deep learning.
Namun, tantangan selanjutnya seperti ketebatasan perangkat yang kurang memadai khususnya di fasilitas Kesehatan seperti puskesmas atau klinik daerah.
Sebagian model Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
terutama deep learning memerlukan sumber daya komputasi yang tinggi dalam hal kapasitas memori, penyimpanan dan kecepatan pemrosesan data.
Sebagai solusi atas permasalahan tersebut, penulis mengangkat judul AuKlasifikasi Penyakit Pneumonia pada X-ray Paru-Paru Menggunakan Model Hybrid GLCM-ANN.
Ay Penelitian ini bertujuan untuk mengembangkan model AI sebagai diagnosis penyakit pneumonia yang menggunakan metode hybrid lainnya dengan menggabungkan metode GLCM untuk ekstraksi fitur tekstur dan Layer Fully Connected pada ANN sebagai metode klasifikasi.
Model ini memiliki keunggulan dalam hal jumlah parameter yang jauh lebih sedikit dibandingkan model deep learning yang biasanya memiliki jutaan parameter.
Dengan komputasi yang lebih ringan, pendekatan ini diharapkan mampu menghasilkan sistem diagnosis yang dapat diimplementasikan sebagai alternatif metode yang mampu mendeteksi penyakit pneumonia secara lebih efektif di Indonesia.
II.
ISSN:2657-0327
epoch dan batch size sebesar 22 pada model CNN.
Untuk model SVM dilakukan pengujian dengan empat kernel yang berbeda.
Pengujian model mendapatkan hasil akurasi terbesar yaitu 98% pada skenario terang untuk model CNN diikuti dengan model GLCM-SVM dengan kernel linear sebesar 94% dan GLCM-CNN sebesar 88%.
Pengujian dengan skenario gelap mendapatkan hasil akurasi terbesar yang sama untuk ketiga model CNN.
GLCM-CNN dan GLCM-SVM yaitu 96% .
Terdapat penelitian lainnya yang menggunakan dataset X-ray paru-paru pneumonia dengan metode CNN ataupun metode lain.
Secara umum, ciri radiologis pneumonia ditandai dengan adanya infiltrates atau opasifikasi paru yang baru muncul pada citra X-ray .
Perbedaan visual dari paru-paru normal dan pneumonia ditunjukkan pada Gambar 1.
TINJAUAN PUSTAKA
Penelitian sebelumnya menerapkan beberapa metode yang serupa, salah satunya penerapan model Hybrid GLCM-CNN untuk mengidentifikasi dan mengklasifikasi tingkatan dari tumor otak.
Penggunaan model ini digunakan pada area tumor pada citra otak yang telah disegmentasi.
Sebanyak 260 citra MRI dilatih dengan rincian sebanyak 156 citra yang tingkat rendah .
dan 104 citra yang tingkat tinggi .
Dihasilkan 1560 total fitur dari tersebut yang dibagi menjadi 6 fitur per citra.
Ekstraksi fitur GLCM dilakukan pada sudut 0A dan 90A.
Adapun fitur GLCM yang digunakan diantaranya fitur contrast, entropy, mean dan homogeinity.
Fitur tersebut akan digunakan sebagai input untuk lapisan fully connected untuk mengklasifikasi tingkatan tumor pada citra otak.
Classification rate dari citra normal dan tumor mencapai 99.
5% pada epoch ke-10 .
Penelitian lainnya menggunakan metode yang sama dengan tambahan metode CNN dan Hybrid
GLCM-SVM
pengklasifikasian daun tanaman herbal.
Sebanyak 480 total dataset berukuran 600y600 pixels yang dibagi rata menjadi 120 citra dalam dua kelas .
elor dan katu.
dan dua skenario .
erang dan gela.
Fitur GLCM yang digunakan pada citra diantaranya energy, contrast, correlation, homogeinity, dissimiliarity, dan ASM.
Hasil GLCM akan dijadikan input pada model SVM dan CNN.
Training model dilakukan rasio data sebesar 80:20 atau dengan kata lain 192 citra training dan 48 citra testing.
Skenario dilakukan sebanyak 20 http://jtika.
id/index.
php/JTIKA/ Gambar 1.
Citra X-ray Paru-Paru Pneumonia .
Normal .
Berdasarkan radiografi dada standar (CXR), infiltrates atau suatu zat padat yang ada pada paruparu biasanya tampak sebagai area bercak-bercak yang menunjukkan akumulasi cairan, neutrofil, atau jaringan inflamasi di alveoli .
Zat tersebut menyebabkan penderita mengalami gejala nyeri dada dan batuk.
Berdasarkan Gambar 1, bercak tersebut dapat dilihat dengan adanya penambahan pixel yang berwarna putih keabuan yang mengumpul di satu tempat, seperti pada Gambar kiri dari Gambar 1.
Gambar ini memperlihatkan area pada kotak hitam sebagai infiltrates yang mengindikasikan paruparu tersebut mengidap penyakit pneumonia.
Sedangkan untuk gambar kanan, citra paru-paru tampak lebih bersih dibandingkan gambar kiri, hal ini mengindikasikan paru-paru dalam keadaan normal.
Keakuratan diagnosis pneumonia sangat bergantung pada kemampuan radiolog dalam menginterpretasikan citra dengan tepat, hal ini sering dipengaruhi oleh kualitas citra dan pengalaman ahli sebagai radiolog .
Dalam beberapa kasus, citra Xray menunjukkan kemiripan antar berbagai penyakit paru, seperti tuberkulosis, kanker paru-paru, atau pneumothorax, sehingga meningkatkan risiko kesalahan diagnosis .
Salah satu penelitian menggunakan model CNN untuk citra X-ray pneumonia.
Penelitian ini dilakukan pada tahun 2020 yang bertujuan untuk menguji Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
kinerja deep learning pada citra X-ray ini 840 data citra yang terdiri dari 1.
citra normal dan 4.
265 citra pneumonia.
Penggunaan fungsi ReLU sebagai optimasi.
Adam sebagai optimasi dan dengan jumlah epoch yang dicoba sebanyak 200, menghasilkan rata-rata akurasi sebesar 89,58% dan rata-rata loss sebesar 47,43%.
Namun terdapat gap antara hasil pengujian dan pelatihan untuk akurasi sebesar 8,72% dan loss 42,97% yang mengakibatkan kasus overfitting.
Kondisi dataset, formulasi pada model dan jumlah epoch dapat menjadi faktor yang menyebabkan kasus ini terjadi .
Penelitian lainnya dilakukan pada tahun 2022 mengkaji penerapan metode transfer learning dengan model ResNet152V2 untuk klasifikasi citra X-ray paruparu pneumonia.
Memanfaatkan dataset yang berisi 590 citra, penelitian ini berhasil mencapai akurasi sebesar 91,4% dan nilai loss 0,18 setelah melakukan evaluasi sebanyak 20 kali.
Model pre-trained dari ResNet152V2 memungkinkan ekstraksi fitur yang efektif dari citra medis.
Hasil pelatihan yang tidak mengalami kasus overfitting merupakan keunggulan utama dari pendekatan ini .
Terdapat beragam penelitian lainnya yang menggunakan pendekatan machine learning dan deep learning pada citra X-ray paru-paru .
, .
, .
Penggunaan model dan dataset yang beagam, kasus diagnosa penyakit yang berbeda hingga perbandingan antara model menjadi fokus utama dalam penelitanpenelitian tersebut.
Berdasarkan penelitian sebelumnya, pendekatan yang dilakukan dengan model hybrid mendapatkan hasil yang tidak kalah baiknya dengan pendekatan dengan metode deep learning maupun machine learning murni seperti CNN.
Pendekatan hybrid ini telah menunjukkan hasil yang positif dalam berbagai kasus klasifikasi citra medis, seperti deteksi tumor otak, pengenalan daun herbal, hingga klasifikasi pneumonia dari citra X-ray paru-paru.
Sehingga, dengan mempertimbangkan tantangan implementasi metode deep learning yang cenderung membutuhkan sumber daya komputasi tinggi dan rentan terhadap overfitting, dibutuhkan alternatif metode yang lebih ringan namun tetap akurat dalam perancangan klasifikasi penyakit terhadap citra X-ray.
METODE PENELITIAN
Penelitian ini dilakukan dengan skenario seperti yang dicantumkan pada Gambar 2.
http://jtika.
id/index.
php/JTIKA/ ISSN:2657-0327 Gambar 2.
Skenario Pembuatan dan Pelatihan Model Klasifikasi.
Proses dimulai dari tahap load data dan random sampling dilanjutkan dengan pre-processing data.
Kemudian akan dilakukan proses ekstraksi fitur untuk mendapatkan fitur dari data yang akan digunakan pada proses pemodelan dan training.
Penjelasan dari setiap proses ini akan dijelaskan pada sub bagian Dataset Dataset terdiri dari 5.
856 citra X-ray paru-paru anak-anak, dengan 5.
232 citra untuk training dan 624 citra untuk testing.
Citra telah melalui proses pelabelan dari dua ahli radiolog dan seorang ahli radiolog senior sebagai pemberi keputusan akhir pada data citra untuk memastikan keakuratan data dan menghindari ketidaksepakatan antara dua ahli Penulis menyajikan sampel citra dari dataset sebagai Gambar 3.
Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
Gambar 3.
Sampel Gambar Dataset Gambar 3 menunjukkan beberapa contoh citra Xray paru-paru dari dataset, yang mencakup kondisi paru-paru normal.
dan yang terinfeksi pneumonia.
Citra ini memberikan gambaran visual mengenai variasi struktur paru-paru serta perbedaan karakteristik antara citra normal dan citra dengan indikasi pneumonia.
Dataset ini disimpan dalam database di mendeley, sehingga memudahkan peneliti lain untuk mengakses dan memanfaatkan data tersebut dalam pengembangan teknologi untuk diagnosis medis .
Sampling dan Pre-processing Pada penelitian ini, dilakukan random undersampling terhadap kelas mayoritas untuk menciptakan distribusi kelas yang seimbang, dalam hal ini data untuk kelas normal dan pneumonia Teknik ini dilakukan dengan mengambil sejumlah sampel secara acak dari data berlabel pneumonia agar jumlahnya setara dengan kelas minoritas, yaitu data berlabel normal .
Jumlah total citra berlabel pneumonia adalah 4.
sedangkan citra berlabel normal berjumlah 1.
Oleh karena itu, diputuskan untuk menggunakan 575 citra dari masing-masing kelas.
Pendekatan ini bertujuan untuk mengatasi permasalahan class imbalance yang dapat menyebabkan bias pada model.
Pemilihan sampel dilakukan secara acak pada masing-masing kelas dan label dengan rasio sebesar 1181:394 atau 75:25, kemudian dilakukan proses preprocessing dengan tiga tahap yaitu mengonversi citra menjadi citra grayscale, mengurangi ukuran citra dan menyeragamkannya, dan mengurangi kecerahan citra Gambar 4 merupakan perbandingan citra sebelum dan sesudah dari tahap ini.
ISSN:2657-0327
Gambar 4.
Citra Original .
Citra setelah Resizing .
, dan Citra setelah digelapkan .
Konversi citra menjadi citra grayscale dilakukan untuk mendukung proses ekstraksi fitur GLCM dan proses pengurangan intensitas citra agar citra tampak lebih gelap.
Pengurangan ukuran citra bertujuan untuk meningkatkan efisiensi komputasi dan kinerja model pembelajaran mesin.
Pengurangan citra membuat data menjadi homogen dan mempermudah proses ekstraksi fitur pada citra dikarenakan penggunaan resizing yang dapat mengurangi noise dan variansi yang tidak relevan dari data asli .
, .
Citra asli .
ambar kir.
dengan ukuran 1904y1560 pixels akan jauh membutuhkan waktu pemrosesan yang lebih lama dibandingkan dengan citra berukuran 224y224 pixels .
ambar tenga.
karena jumlah pixel dari citra lebih sedikit.
Kemudian, pengurangan intensitas citra sebesar 30 seperti yang ditunjukkan pada gambar kanan untuk mengurangi bercak putih berukuran kecil terutama pada citra paru-paru normal agar saat proses training agar citra tersebut tidak dianggap sebagai citra pneumonia.
Ekstraksi Fitur Ekstraksi fitur menggunakan GLCM untuk menangkap tekstur dari gambar X-ray.
GLCM
dilakukan dengan representasi hubungan antara dua pixel pada gambar berdasarkan rentang jarak dan Terdapat empat sudut yang digunakan dalam penelitian ini yaitu 0A, 45A, 90A, dan 135A.
Parameter jarak .
yang digunakan adalah 1, 2, dan 3 untuk memperoleh representasi co-occurence pada beberapa tingkat kedekatan piksel, sehingga informasi tekstur pada skala pendek dapat terekstraksi secara Pada penelitian ini.
Persamaan .
hingga Persamaan .
akan digunakan sebagai fitur untuk training selanjutnya .
, .
, .
Contrast: OcycA ycn,yc=1 ycE.
cn, y.
cn Oe y.
ycA Oc Dissimilarity: ycn,yc=1 ycE.
cn, y.
cn Oe y.
Homogeneity: OcycA ycn,yc=1 ycE.
cn,y.
ASM: OcycA ycn,yc=1 ycE .
cn, y.
Energy: ocycA ycn,yc=1 ycE .
cn, y.
Correlation: OcycA ycn,yc=1 ycE.
cn, y.
[ Mean:
http://jtika.
id/index.
php/JTIKA/ .
cnOey.
^2 .
cnOeyuNyc.
cOeyuNy.
Ooyuaycn 2 yuayc 2 ycA OcycA ycn,yc=1 ycnOycE.
cn,y.
Ocycn,yc=1 ycOycE.
cn,y.
Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
Var:
ycA OcycA ycn,yc=1 ycE.
cn,y.
cnOeyuNyc.
Ocycn,yc=1 ycE.
cn,y.
cOeyuNy.
OcycA Std: Oo ycn,yc=1 ycE.
cn,y.
cnOeyuNyc.
2 OcycA ycn,yc=1 ycE.
cn,y.
cOeyuNy.
Entropy: OcycA ycE.
cn, y.
(Oe ln ycE.
cn, y.
) ycn,yc=1 .
Pemodelan dan Training Model yang digunakan adalah ANN yang hanya memanfaatkan bagian fully connected.
Bagian ini digunakan untuk mengubah multidimensional array hasil ekstraksi fitur data ke dalam vektor .
, .
Arsitekturnya terdiri dari input layer, dropout, dan dense layer.
Input layer menerima data fitur, dropout digunakan untuk mencegah overfitting dengan menonaktifkan unit secara acak selama pelatihan, dan dense layer berfungsi untuk proses klasifikasi.
Dalam menggunakan dense layer dan jumlah neuron yang Percobaan membandingkan model dengan 2, 3 dan 4 layer, variasi ini digunakan untuk mengevaluasi layer yang paling optimal bagi fitur GLCM, sehingga pemilihan arsitektur akhir dapat dilakukan berdasarkan performa terbaik yang diperoleh dari ketiga konfigurasi tersebut.
Fungsi aktivasi yang diganakan berupa ReLU dan Sigmoid.
Fungsi ReLU (Rectified Linear Uni.
seperti yang diperlihatkan pada Persamaan .
adalah fungsi matematis pada jaringan syaraf tiruan yang meneruskan nilai input ke lapisan berikutnya .
cu ) = max .
, .
ISSN:2657-0327 menentukan citra paru-paru yang memiliki penyakit pneumonia atau normal.
Fungsi ini didefinisikan seperti Persamaan .
di bawah ini.
cu ) = 1Oeyce Oeycu Evaluasi Model Evaluasi model dilakukan dengan menganalisa confusion matrix dari setiap skenario untuk mengetahui lebih detail tentang performa klasifikasi dari setiap model.
Struktur umum confusion matrix ada pada Tabel I.
TABEL I.
Struktur Confusion Matrix Actual Positive Actual Negative Predicted Positive True positive False positive Predicted Negative False negative True negative Penggunaan matrix pada Tabel I ini dilakukan untuk melihat seberapa baik model ketika membedakan antara kelas positif dan negatif, serta mengidentifikasi kesalahan prediksi yang terjadi seperti false positive (FP) dan false negative (FN).
Setiap skenario menghasilkan confusion matrix yang berbeda, dikarenakan kemampuan klasifikasi pada kondisi training yang berbeda-beda .
, .
IV.
HASIL DAN PEMBAHASAN
Penulis melakukan percobaan dengan variasi pada tahap sampling, pre-processing, ekstraksi fitur, pemodelan, dan training.
Setiap skenario dimulai dengan random sampling sesuai rasio tertentu, dilanjutkan dengan pre-processing berupa resizing dan pengurangan kecerahan citra.
Fitur GLCM kemudian diekstrak dari setiap sampel dan digunakan sebagai input untuk model ANN.
Rincian dari percobaan yang dilakukan ditunjukkan pada Tabel II.
Fungsi aktivasi sigmoid mengubah nilai input menjadi sebuah nilai diantara 0 dan 1 dengan bentuk kurva S.
Penggunaan fungsi ini digunakan dalam layer fully connected untuk mengonversi hasil akhir ke dalam nilai berupa probabilitas.
Fungsi ini berguna dalam pengambilan keputusan pada sistem untuk TABEL II.
Tabel Setiap Percobaan.
Sce.
Data Sampling Resize Total Fitur Layer Neuron .
er laye.
Fungsi Aktivasi .
er laye.
Weight Patience Epochs .
: 1.
1: 0.
: 1.
1: 0.
: 1.
1: 0.
: 1.
1: 0.
: 1.
1: 0.
: 1.
1: 0.
Train
Test
224 y 224
128, 1
ReLU.
Sigmoid
224 y 224
128, 1
ReLU.
Sigmoid
224 y 224
128, 64, 1
224 y 224
128, 64, 1
224 y 224
224 y 224
128, 64,
128, 64,
ReLU.
ReLU.
Sigmoid ReLU.
ReLU.
Sigmoid ReLU.
ReLU.
ReLU.
Sigmoid ReLU.
ReLU.
ReLU.
Sigmoid http://jtika.
id/index.
php/JTIKA/ Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
Tabel II menunjukkan rincian dari delapan skenario percobaan yang dilakukan.
Pada setiap skenario, data dibagi menjadi 1.
181 data latih dan 394 data uji, dengan ukuran citra yang telah di-resize menjadi 224 y 224 piksel.
Pemilihan ukuran ini digunakan agar seluruh citra memiliki dimensi seragam dan tetap mempertahankan pola tekstur pada citra X-ray, namun tidak terlalu besar sehingga proses ekstraksi fitur tetap efisien.
Jumlah total fitur yang digunakan dalam setiap percobaan adalah 19 fitur yang merepresentasikan karakteristik tekstur dari Model yang digunakan memiliki variasi dalam jumlah layer, jumlah neuron per layer, serta fungsi Untuk lapisan tersembunyi, fungsi aktivasi yang digunakan adalah ReLU, sedangkan untuk lapisan output digunakan Sigmoid.
Jumlah epoch pada setiap skenario dibuat Skenario 1, 3, dan 5 dilatih hingga 100 epoch dengan memanfaatkan callback .
arly stoppin.
untuk menghentikan pelatihan lebih awal apabila model tidak menunjukkan peningkatan, sehingga tetap aman dari overfitting.
Sebaliknya, skenario 2, 4, dan 6 hanya dilatih selama 50 epoch tanpa callback untuk melihat bagaimana performa model ketika pelatihan dibuat lebih singkat dan tanpa mekanisme penghentian Hasil training setiap skenario berada pada kisaran 88% hingga 91% dengan loss 26% hingga 32%.
Nilai precision, recall, dan f1-score berada di kisaran 88Ae91%.
Tabel i menyajikan rincian akurasi, loss, precision, recall, dan f1-score.
TABEL i.
Tabel Hasil Training Model S Acc Loss Precision Recall F1-Score .
acro/ .
acro/ weighte weighte / 0.
/ 0.
/ 0.
/ 0.
/ 0.
/ 0.
/ 0.
/ 0.
/ 0.
Struktur model pada skenario dengan 2 layer cenderung memberikan hasil yang cukup baik.
http://jtika.
id/index.
php/JTIKA/ ISSN:2657-0327 Skenario 1, yang dilatih selama 100 epoch, menghasilkan akurasi 90.
99% dengan loss 26.
Sedangkan skenario 2 yang hanya dilatih selama 50 epoch mencatat akurasi sedikit lebih rendah, yaitu 85% dengan loss 27.
Hal ini menunjukkan penambahan jumlah epoch dapat mengoptimalkan performa model.
Gambar 5 menunjukkan grafik performa dari kedua skenario dengan dua layer.
Gambar 5.
Grafik Akurasi.
dan Loss.
Skenario 1.
Kedua grafik pada gambar 5 menunjukkan performa dari dua skenario pertama dengan model 2 Performa model pada skenario pertama dengan 50 epoch menunjukkan adanya fluktuasi setiap epochnya.
Perbedaan antara train dan validation loss dari model pertama menunjukkan model mengalami Sementara itu, skenario kedua dengan 100 epoch menunjukkan grafik yang lebih stabil walaupun jarak antara kedua loss masih menunjukkan model mengalami overfitting.
Skenario model dengan 2 layer menunjukkan bahwa penggunaan epoch yang lebih banyak dengan tambahan earlystopping akan menghasilkan performa yang lebih stabil.
Namun, terjadinya overfitting pada model ini menunjukkan model kurang mempelajari pola data validation dibandingkan data train.
Ketika jumlah layer ditingkatkan menjadi 3 layer, hasil yang diperoleh tidak terlalu baik.
Skenario 3 yang dilatih selama 100 epoch menunjukkan performa terendah dengan akurasi 88.
07% dan loss tertinggi Sebaliknya, skenario 4 dengan 50 epoch mencatat hasil yang lebih stabil dengan akurasi 83% dan loss 28.
Performa model 3 layer seperti yang diperlihatkan pada gambar 6 Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
ISSN:2657-0327 menunjukkan model masih mengalami fluktuasi dan Gambar 6.
Grafik Akurasi.
dan Loss.
Skenario 3.
Grafik pada gambar 6 untuk model skenario 3 masih mengalami fluktuasi dan overgitting, walaupun dibandingkan dengan skenario sebelumnya jarak antara kedua loss mengalami penurunan.
Sebaliknya untuk model skenario 4, jarak antara kedua loss terlihat cukup besar sehingga model juga mengalami Berdasarkan hasil training dan grafik performa untuk model dengan 3 layer, dapat disimpulkan bahwa performa model ini lebih kurang dengan data yang digunakan dibandingkan dengan kedua tipe model lainnya.
Indikasi terlihat pada hasil training yang menurun, grafik yang fluktuatif dan model mengalami overfitting.
Skenario 5 dan 6, jumlah layer ditingkatkan menjadi 4 layer dengan konfigurasi neuron 128, 64, 32, dan 1 menghasilkan performa model yang lebih Skenario 6 mencatat performa terbaik dengan 50% dan loss 26.
22%, diikuti oleh skenario 5 dengan akurasi 90.
48% dan loss 26.
Berdasarkan grafik performa model pada gambar 7, model dengan 4 layer menghasilkan hasil yang lebih stabil dan indikasi model untuk mengalami overfitting http://jtika.
id/index.
php/JTIKA/ Gambar 7.
Grafik Akurasi.
dan Loss.
Skenario 5.
Terlihat untuk grafik pada gambar 7, perbedaan antara kedua loss tergolong sedikit sehingga jarak antara kedua loss berdekatan.
Hal ini menunjukkan model menggeneralisasikan data dengan baik dan tidak mengalami overfitting.
Peningkatan akurasi dan penurunan loss pada grafik pertama dan kedua menunjukkan performa model yang lebih baik dibandingkan dengan model sebelumnya dengan layer yang lebih sedikit.
Evaluasi model dari keenam skenario lainnya dapat dilakukan dengan menganalisa confusion matrix dari masing-masing skenario.
Berdasarkan Tabel IV, model mampu mengklasifikasi data citra x-ray dengan Nilai true positive dan true negative di setiap skenario menunjukkan performa model berbanding lurus dengan hasil akurasi training masing-masing TABEL IV.
Tabel Confusion Matrix Sce.
True True False False Positive Negative Positive Negative Hasil model di setiap skenario menunjukkan performa yang hampir sama walaupun setiap skenario memiliki perbedaan dalam jumlah layer dan epoch.
Skenario dengan model yang mampu mengklasifikasi citra dengan baik ditandai dengan nilai true positive dan true negative yang seimbang.
Berdasarkan tabel IV, model pada skenario 6 dapat mengklasifikasi citra x-ray paru-paru normal dan pneumonia dengan seimbang di angka 354 untuk citra normal dan 356 untuk citra pneumonia.
Di sisi lain nilai false positive dan false negative juga berpengaruh dalam kinerja model ketika diaplikasikan di duna medis.
Nilai false positive yang mengklasifikasikan citra pneumonia sebagai citra normal dapat membahayakan pasien yang seharusnya mendapatkan penanganan menjadi tidak terdeteksi.
Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA) Vol.
No.
Maret 2026, (Terakreditasi Sinta-4.
SK No:164/E/KPT/2.
Sehingga nilai dari false positive harus lebih kecil dari nilai false negative.
Hal ini menunjukkan bahwa skenario 2, 3 dan 6 menjadi skenario dengan model
yang dapat diaplikasikan, namun dalam hal ini skenario 6 tetap menjadi skenario terbaik untuk diaplikasikan dikarenakan akurasi yang diberikan adalah akurasi yang tertinggi dari ketiga skenario
KESIMPULAN DAN SARAN
Penelitian ini mengembangkan model klasifikasi citra X-ray paru-paru menggunakan pendekatan hybrid yang menggabungkan ekstraksi fitur GLCM dengan arsitektur model ANN.
Hasil yang diperoleh mengklasifikasikan citra dengan akurasi tertinggi Selain itu, nilai precision, recall, dan f1-score tertinggi, baik secara makro maupun berbobot, sebesar 0.
91, hal ini mengindikasikan model memiliki performa yang seimbang dalam mengenali kedua kelas, yaitu normal dan pneumonia.
Evaluasi dari masing-masing skenario menunjukkan bahwa beberapa model dapat mengklasifikasikan kedua kelas citra, meskipun pada beberapa konfigurasi terjadi ketidakseimbangan sensitivitas terhadap kedua kelas tersebut.
Pendekatan hybrid ini layak dipertimbangkan sebagai metode alternatif dalam tugas klasifikasi citra medis, terutama untuk penggunaan perangkat dengan spesifikasi rendah, dikarenakan jumlah parameter yang dihasilkan relatif sedikit.
Untuk pengembangan lebih lanjut, disarankan agar peningkatan jumlah data latih, eksplorasi arsitektur yang lebih kompleks, atau penggantian metode ekstraksi fitur.
Selain itu, pengujian lebih lanjut menggunakan data klinis yang lebih bervariasi serta evaluasi langsung dari para ahli radiologi sangat diperlukan untuk memastikan efektivitas model dalam implementasi nyata di dunia medis.
VI.
DAFTAR PUSTAKA