Tantangan Diagnostik: Kelemahan Tersembunyi dalam Model Awal
Perbandingan Kinerja F1-Score per Kelas
Meskipun skor keseluruhan tampak tinggi, model DenseNet121 menunjukkan kelemahan signifikan dalam membedakan antara subtipe pneumonia. Kinerjanya sangat baik pada kelas yang jelas berbeda seperti Tuberkulosis dan Normal, namun menurun drastis pada pneumonia Bakterial dan Viral.
Analisis Matriks Kebingungan
Analisis mendalam menunjukkan tingkat kebingungan yang tinggi dan simetris antara pneumonia Viral dan Bakterial. Model sering salah mengklasifikasikan satu subtipe sebagai subtipe lainnya, yang mengindikasikan kegagalan dalam mempelajari fitur pembeda yang halus.
| Prediksi: Viral | Prediksi: Bakterial | |
|---|---|---|
| Aktual: Viral | 281 | 82 |
| Aktual: Bakterial | 77 | 299 |
Angka menunjukkan jumlah kasus. Warna oranye menyoroti kesalahan klasifikasi yang signifikan.
Alur Kerja Terpadu untuk Kinerja Maksimal
Untuk mengatasi tantangan ini, kami mengusulkan alur kerja sinergis yang menggabungkan penyempurnaan data dan arsitektur tingkat lanjut. Setiap langkah membangun di atas yang sebelumnya untuk memaksimalkan akurasi.
Prapemrosesan
Menerapkan CLAHE untuk meningkatkan kontras gambar dan menonjolkan fitur patologis.
Segmentasi Paru-paru
Menggunakan model U-Net untuk mengisolasi paru-paru, menghilangkan noise dari area non-relevan.
Augmentasi GAN
Menghasilkan gambar paru-paru sintetis yang realistis untuk memperkaya keragaman data.
Klasifikasi Ensemble
Menggabungkan prediksi dari beberapa model untuk keputusan akhir yang lebih kuat dan akurat.
Pergeseran Paradigma: Dari End-to-End ke Segmentasi-Klasifikasi
Pendekatan Tradisional (End-to-End)
Model tunggal memproses seluruh gambar, memaksanya untuk secara bersamaan menemukan paru-paru dan mengklasifikasikan penyakit. Ini rentan terhadap 'kebisingan' dari tulang rusuk, jantung, dan artefak lain, yang mengganggu kemampuan model untuk fokus pada sinyal penyakit yang halus.
Pendekatan yang Direkomendasikan (Dua Tahap)
Dengan mengisolasi paru-paru terlebih dahulu menggunakan model U-Net, kita menyajikan data yang 'bersih' ke pengklasifikasi. Ini memaksa model untuk fokus hanya pada wilayah yang relevan, secara dramatis meningkatkan kemampuannya untuk membedakan antara subtipe pneumonia yang mirip.
Rencana Aksi Implementasi Bertahap
Fase 1: Dampak Tertinggi
Implementasikan alur kerja dua tahap **Segmentasi-Klasifikasi**. Ini adalah perubahan paling krusial yang akan memberikan peningkatan terbesar dengan mengatasi masalah variabel pengganggu.
Fase 2: Penyempurnaan Data
Terapkan **augmentasi berbasis GAN** pada gambar paru-paru yang telah disegmentasi. Ini akan meningkatkan keragaman data, membantu model menggeneralisasi kasus yang sulit.
Fase 3: Kinerja Puncak
Bangun **ensemble model** (Stacking Generalization) untuk menggabungkan kekuatan arsitektur yang berbeda, mendorong akurasi dan kekokohan ke tingkat canggih.