Optimalisasi Model CNN dengan Teknik Kontras Lokal CLAHE untuk Klasifikasi Pneumonia pada Citra X-Ray

Pneumonia merupakan infeksi paru-paru yang berdampak luas bagi kesehatan masyarakat, terutama pada wilayah yang memiliki akses layanan kesehatan terbatas. Citra X-ray dada berperan penting dalam mendeteksi penyakit ini, namun kualitas kontras yang rendah seringkali menjadi hambatan dalam klasifikasi otomatis berbasis deep learning. Penelitian ini bertujuan untuk mengevaluasi efektivitas metode Contrast Limited Adaptive Histogram Equalization (CLAHE) dalam meningkatkan kualitas kontras citra X-ray, serta menganalisis pengaruhnya terhadap performa model Convolutional Neural Network (CNN) dalam mendeteksi pneumonia. CLAHE meningkatkan visibilitas detail radiografis melalui redistribusi kontras lokal dengan clip limit, sehingga struktur patologis pneumonia yang sebelumnya samar dapat dikenali lebih baik oleh CNN. Dataset yang digunakan terdiri dari 2.623 citra X-ray yang dibagi menjadi dua kelas, yaitu Normal dan Pneumonia. Proses pelatihan dilakukan dalam dua pendekatan, yaitu tanpa dan dengan penerapan CLAHE. Hasil evaluasi menunjukkan bahwa model CNN tanpa CLAHE mencapai akurasi 96,18%, sedangkan model dengan CLAHE meningkat hingga 99,69%. Peningkatan ini signifikan karena menurunkan tingkat kesalahan klasifikasi dari sekitar 3,8% pada model tanpa CLAHE menjadi hanya 0,3% pada model dengan CLAHE, sekaligus meningkatkan precision, recall, dan f1-score pada seluruh kelas. Dengan demikian, kombinasi CLAHE dan CNN dapat diterapkan sebagai pendekatan efektif dalam mendeteksi pneumonia secara akurat, konsisten, dan efisien, terutama pada lingkungan dengan keterbatasan sumber daya komputasi.