<![CDATA[Tuberkulosis (TB) merupakan salah satu penyakit berbahaya yang dapat menular lewat udara dan sering menyebabkan kematian apabila tidak cepat ditangani. Penyakit TB bisa disembuhkan dengan deteksi dini sehingga penderita dapat segera mendapatkan pengobatan yang tepat. Metode Convolutional Neural Network (CNN) digunakan untuk mendeteksi penyakit TB melalui foto rontgen dada. Penelitian ini bertujuan untuk menentukan model CNN yang mampu menghasilkan performa paling baik dalam mendeteksi penyakit TB. Pengujian dilakukan dengan menggunakan lima pre-trained model yang telah disediakan oleh Keras yaitu ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, dan InceptionResNetV2. Perbedaan ukuran gambar yag digunakan pada saat pelatihan dan pengujian juga akan dianalisis pengaruhnya terhadap nilai akurasi yang dihasilkan dan waktu komputasinya. Hasil pengujian menunjukkan bahwa model DenseNet121 mampu menghasilkan nilai akurasi tertinggi dalam mendeteksi penyakit TB, yaitu 91,57%. Sedangkan model MobileNet merupakan model dengan waktu komputasi tercepat untuk semua ukuran gambar yang diuji. Semakin besar ukuran citra maka semakin tinggi nilai akurasinya, namun di sisi lain waktu komputasi juga akan semakin lama. Abstract Tuberculosis (TB) is one of the dangerous disease that can be transmitted through the air and often causes death if not treated quickly. This illness can be cured with early detection, so that sufferers can immediately get the right treatment. The Convolutional Neural Network (CNN) method is used to detect TB disease through chest X-rays. This study aims to determine which CNN model is able to produce the best performance in detecting TB disease. Testing was carried out using five pre-trained models provided by Keras namely ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, and InceptionResNetV2. The difference in image size used during training and testing will also be analyzed for its effect on the resulting accuracy value and its computation time. The test results showed that the DenseNet121 model was able to produce the highest accuracy value in detecting TB disease, namely 91.57%. Meanwhile, the MobileNet model is the model with the fastest computation time for all image sizes tested. The bigger the image size, the higher the accuracy value, but on the other hand the computation time will also be longer.]]>
