Deteksi Kanker Paru-Paru pada Citra Chest X-Ray untuk Pasien Rumah Sakit Di Jember Menggunakan Deep Object Detection

Abstract

Penelitian ini bertujuan mengembangkan sistem deteksi nodul paru sebagai indikator awal kanker paru-paru menggunakan algoritma YOLOv11 pada citra Xray. Tantangan utama dalam deteksi nodul adalah ukurannya yang kecil dan kemiripannya dengan struktur lain pada paru-paru. Untuk mengatasi hal ini, digunakan pendekatan cropping guna membantu model lebih fokus pada area kecil. Dataset yang digunakan terdiri dari 154 citra JSRT dan 50 citra dari Rumah Sakit di Jember, dengan data JSRT digunakan untuk pelatihan dan data RS sebagai data pelatihan dan uji. Model dilatih dengan berbagai kombinasi learning rate, optimizer, dan augmentasi, lalu dievaluasi menggunakan metrik mAP, IoU, dan DSC. Hasil eksperimen menunjukkan bahwa pendekatan cropping tanpa augmentasi pada data JSRT memberikan performa terbaik, dengan mAP sebesar 78% dan recall 60%. Saat diuji pada data RS, model tetap mampu mengenali sebagian nodul meskipun hasilnya terbatas, dengan mAP sebesar 21% dan recall 24%. Selain itu, pelatihan menggunakan gabungan data JSRT dan RS menghasilkan peningkatan akurasi dan konsistensi prediksi pada kedua dataset, membuktikan bahwa pendekatan mix data domain efektif untuk meningkatkan generalisasi model. Evaluasi juga menunjukkan bahwa penggunaan data lokal penting untuk mendukung penerapan model pada konteks dunia nyata. Dengan hasil ini, YOLOv11 terbukti mampu mendeteksi nodul paru secara akurat dan efisien pada citra X-ray, serta dapat menjadi fondasi untuk pengembangan sistem pendukung diagnosis kanker paru secara otomatis.