Deteksi Kanker Paru-Paru pada Citra X-Ray Berbasis Visual Recognition dan Preprocessing Stabilisasi Kanal L

Abstract

Citra X-Ray dada merupakan modalitas skrining kelainan paru-paru yang paling banyak digunakan karena biaya yang relatif terjangkau, namun nilai diagnostiknya sering terkendala oleh kontras yang rendah, noise, dan struktur anatomi seperti tulang rusuk yang menyamarkan nodul pada tahap awal. Penelitian ini bertujuan untuk menganalisis pengaruh teknik preprocessing berbasis stabilisasi kanal L menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE) terhadap performa model Convolutional Neural Network (CNN) dalam mendeteksi kanker paru-paru pada citra X-Ray dada. Berbeda dengan pendekatan umum yang menerapkan CLAHE langsung pada citra grayscale atau RGB, penelitian ini memisahkan kanal Lightness (L) dari ruang warna LAB sehingga peningkatan kontras dilakukan secara independen dari informasi warna, guna meminimalkan distorsi yang tidak diinginkan. Dataset yang digunakan berjumlah 1.726 citra X-Ray dada dengan spesiikasi berdasarkan kelas sejumlah 1.491 untuk jumlah kelas citra x-ray paru-paru dengan katagori cancer, 235 katagori normal.  Dalam split data menjadi train, validation, dan test menggunakan rasio 80:10:10, kemudian dilatih menggunakan tiga arsitektur CNN pre-trained yaitu VGG16, ResNet50, dan MobileNetV2 melalui pendekatan transfer learning dengan optimizer Adam, fungsi loss categorical cross-entropy, dan teknik early stopping. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa VGG16 memperoleh performa tertinggi dan paling seimbang dengan akurasi 94,2%, arsitekture ResNet50 memiliki akurasi 93,0% dan MobileNetV2 91,5. Penelitian ini menunjukkan bahwa stabilisasi CLAHE berbasis kanal L mampu memperbaiki kontras citra dengan distorsi minimal dan berkontribusi pada deteksi kanker paru-paru berbasis CNN yang andal.

GS Cited Analysis