ANALISIS PERBANDINGAN KINERJA ARSITEKTUR RESNET50 DAN EFFICIENTNETB1 MENGGUNAKAN METODE FINE-TUNING UNTUK KLASIFIKASI PNEUMONIA

seringkali terhambat oleh masalah ketidakseimbangan kelas pada dataset yang menyebabkan model deep learning menjadi bias. Penelitian ini bertujuan untuk melakukan evaluasi holistik terhadap kinerja dua arsitektur Convolutional Neural Network (CNN) modern, ResNet50 dan EfficientNetB1, guna menentukan model yang paling optimal pada kondisi data tidak seimbang. Metode yang digunakan adalah transfer learning dengan protokol fine-tuning dua fase yang dioptimalkan, didukung teknik augmentasi data dan strategi class_weight untuk mengatasi ketidakseimbangan. Evaluasi dilakukan pada dataset publik Chest X-Ray Images (Pneumonia) menggunakan metrik akurasi, presisi, recall, F1-score, dan analisis confusion matrix. Hasil penelitian menunjukkan bahwa meskipun ResNet50 mencapai akurasi total tertinggi (89%) dengan jumlah False Negative yang rendah (21 kasus), model EfficientNetB1 (akurasi 87%) terbukti secara fundamental lebih seimbang. Keunggulan ini ditunjukkan oleh peningkatan signifikan pada recall kelas minoritas (NORMAL) menjadi 0.84, serta penurunan kesalahan False Positive sebesar 24%. Penelitian ini menyimpulkan adanya trade-off klinis di mana pemilihan arsitektur harus disesuaikan dengan kebutuhan: ResNet50 untuk sensitivitas skrining tinggi, atau EfficientNetB1 untuk keandalan dan keseimbangan prediksi.