SYSTEMATIC LITERATURE REVIEW TERHADAP IMPLEMENTASI DEEP LEARNING DALAM DIAGNOSIS AWAL TUBERKULOSIS

Abstract

Tuberkulosis (TB) tetap menjadi ancaman kesehatan global yang signifikan, terutama di negara berkembang yang memiliki keterbatasan akses terhadap teknologi diagnostik yang andal. Ketidakseimbangan data dan kesulitan dalam mendiagnosis penyakit ini sejak dini menjadi tantangan utama. Penelitian ini bertujuan untuk mengidentifikasi metode Deep Learning (DL) yang tersedia, mengevaluasi berbagai arsitektur jaringan saraf yang digunakan, dan menentukan model yang paling efektif untuk deteksi dini TB. Metode yang digunakan meliputi pencarian literatur di database Scopus dan Google Scholar dengan kata kunci terkait. Seleksi dan penyaringan dilakukan berdasarkan kriteria inklusi dan eksklusi yang ketat, dengan 52 studi terpilih dievaluasi dan dianalisis untuk memberikan gambaran komprehensif tentang implementasi DL dalam diagnosa awal TB. Hasil penelitian menunjukkan bahwa metode Convolutional Neural Networks (CNNs) seperti ResNet, VGG, dan DenseNet adalah yang paling sering digunakan dan menunjukkan kinerja unggul. Kombinasi teknik Transfer Learning dan Generative Adversarial Networks (GANs) terbukti efektif dalam meningkatkan akurasi dan mengatasi masalah ketidakseimbangan data. ResNet50 muncul sebagai model yang paling efektif dengan akurasi hingga 98.20%. Saran untuk peneliti selanjutnya adalah untuk fokus pada peningkatan interpretabilitas model DL dan pengembangan dataset yang lebih besar dan representatif. Selain itu, integrasi teknik AI dengan sistem kesehatan yang ada dapat membantu menciptakan alat diagnostik yang lebih komprehensif dan mudah diakses.