PENGARUH RASIO PEMBAGIAN DATASET PADA KINERJA CNN KLASIFIKASI TUBERKULOSIS

Tuberkulosis masih menjadi tantangan kesehatan global dengan angka kematian yang tinggi. Citra X-ray dada umum digunakan dalam diagnosis, tetapi interpretasinya sering subjektif. Convolutional Neural Network (CNN) dapat menjadi salah satu solusi untuk deteksi tuberkulosis secara otomatis. Namun, kinerja CNN sangat dipengaruhi oleh kualitas data, salah satunya pembagian datast. Oleh karena itu penelitian ini bertujuan untuk menganalisis pengaruh rasio pembagian dataset terhadap kinerja model Convolutional Neural Network (CNN) dalam klasifikasi citra X-ray dada untuk deteksi tuberkulosis. Dataset yang digunakan terdiri atas 2.198 citra dari berbagai sumber publik dengan dua kelas, yaitu Normal dan Tuberculosis. Dua skenario pembagian dataset diterapkan, yakni 80:10:10 dan 70:10:20, untuk mengevaluasi pengaruh proporsi data terhadap performa model. Model CNN dirancang dengan tiga lapisan konvolusi dan dilatih menggunakan optimizer Adam serta fungsi loss binary cross-entropy. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa model dengan rasio 80:10:10 memiliki kinerja terbaik dengan akurasi pengujian sebesar 85,97% dan loss 0,3217, menunjukkan kemampuan generalisasi yang lebih baik dibandingkan model 70:10:20. Temuan ini menegaskan bahwa pemilihan rasio dataset yang tepat dapat meningkatkan stabilitas dan akurasi CNN dalam mengklasifikasikan citra medis. Dari hasil penelitian ini diharapkan dapat mendukung upaya peningkatan kualitas deteksi dini tuberkulosis guna mempercepat diagnosis dan berkontribusi terhadap penurunan angka kematian akibat Tuberkulosis di masyarakat.