Penerapan Squeeze-and-Excitation Attention pada DenseNet169 untuk Klasifikasi Multi-Kelas Citra X-Ray Dada: Squeeze-and-Excitation Attention on DenseNet169 for Multi-Class Classification of Chest X-Ray Images

Abstrak

Citra X-ray dada (CXR) ialah satu dari metode pencitraan medis yang banyak diterapkan guna mendeteksi banyak penyakit paru diantaranya COVID-19 serta pneumonia. Meskipun model deep learning yang basisnya Convolutional Neural Network (CNN) sudah banyak diterapkan untuk klasifikasi citra medis, model CNN konvensional masih memiliki keterbatasan dalam menyoroti fitur penting pada citra yang memiliki kompleksitas tinggi serta kemiripan pola antar kelas penyakit. Kondisi tersebut dapat menyebabkan model kesulitan dalam mengekstraksi fitur yang paling relevan untuk proses klasifikasi. Oleh sebab itu, penelitian mengusulkan penerapan attention mechanism berupa modul Squeeze-and-Excitation (SE) pada arsitektur DenseNet169 guna meningkatkan kemampuan model dalam menekankan fitur penting dari CXR. Kontribusi utama penelitian ini adalah menganalisis pengaruh mekanisme attention terhadap peningkatan kualitas ekstraksi fitur pada klasifikasi multi-kelas citra CXR. Dataset diterapkan pada penelitian ini terdiri dari 3.000 citra yang diklasifikasikan kedalam tiga kelas yakni Normal, COVID-19, serta Pneumonia dengan pembagian data sebesar 80% untuk pelatihan dan 20% untuk validasi. Pelatihan model menggunakan optimizer Adam. Evaluasi model menggunakan confusion matrix dengan accuracy, precision, recall, dan F1 score. Temuan eksperimen mengindikasi bahwasanya model DenseNet169 baseline memperoleh akurasi senilai 95,8%, sedangkan model DenseNet169 dengan modul SE mencapai akurasi 96,5%. Temuan ini menegaskan bahwa SE meningkatkan representasi fitur sehingga performa klasifikasi lebih optimal.