MEMBANGUN MODEL KLASIFIKASI PENYAKIT PNEUMONIA BERDASARKAN CITRA X-RAY PARU-PARU

Pneumonia merupakan penyakit infeksi saluran pernapasan yang dapat dianalisis melalui citra X-ray paru-paru. Penelitian ini bertujuan untuk mengembangkan model klasifikasi pneumonia berbasis deep learning yang tidak hanya memiliki performa yang baik, tetapi juga mampu memberikan penjelasan yang transparan melalui pendekatan Explainable Artificial Intelligence (XAI). Model yang digunakan adalah ResNet50 dengan penambahan Convolutional Block Attention Module (CBAM) untuk mengklasifikasikan citra X-ray ke dalam tiga kelas, yaitu Normal, Pneumonia-Bacterial, dan Pneumonia-Viral. Hasil evaluasi
menunjukkan bahwa model mencapai akurasi sebesar 89,25?ngan nilai weighted average F1-score sebesar 0,8918, dengan performa terbaik pada kelas Normal. Analisis XAI menggunakan Grad-CAM Layer-CAM) dan SHAP menunjukkan bahwa visualisasi yang dihasilkan umumnya menyorot area anatomi yang relevan, khususnya wilayah paru-paru pada kelas pneumonia. Analisis konsistensi spasial menunjukkan bahwa kedua metode XAI memberikan penjelasan yang sebagian besar konsisten dan bersifat komplementer. Validasi kualitatif oleh tenaga ahli medis menunjukkan bahwa hasil visualisasi XAI sejalan dengan prinsip dasar interpretasi klinis citra X-ray. Dengan demikian, penelitian ini menghasilkan sistem yang tidak hanya akurat, tetapi juga lebih transparan dan berpotensi digunakan sebagai sistem pendukung keputusan dalam interpretasi awal citra X-ray paru-paru.

Kata kunci: Pneumonia, X-ray paru-paru, ResNet50, CBAM, Explainable
Artificial Intelligence, Grad-CAM, SHAP.