Deteksi Abnormalitas Toraks yang Efisien Menggunakan Model Deep Learning Mobile: Studi Komparatif MobileNet, ShuffleNet, dan EfficientNet dengan Grad-CAM

Abstract

Tingginya beban penyakit paru di Indonesia, seperti tuberkulosis, pneumonia, dan gagal jantung, diperparah oleh keterbatasan jumlah dokter spesialis radiologi. Hal ini menuntut solusi teknologi yang efisien dan dapat dijalankan di lingkungan dengan sumber daya terbatas. Penelitian ini mengusulkan penggunaan tiga model deep learning ringan— MobileNetV2, ShuffleNetV2, dan EfficientNetB0—untuk mendeteksi lima kelainan toraks utama pada citra X-ray dada (CXR), yaitu pneumotoraks, kardiomegali, nodul/massa, konsolidasi, dan infiltrasi. Dataset ChestX-ray8 dari NIH digunakan sebagai basis data, dengan total 12.500 citra yang telah dinormalisasi dan diseimbangkan antar kelas. Pelatihan dilakukan menggunakan validasi silang 5-fold dan konfigurasi hiperparameter yang distandarisasi, termasuk batch size 512, optimizer Adam, dan fungsi loss BCEWithLogitsLoss. Hasil validasi silang menunjukkan bahwa EfficientNetB0 secara konsisten unggul atas dua model lainnya, dengan rata-rata F1-score 0,563 ± 0,009, akurasi 0,773 ± 0,005, dan AUC-ROC 0,772 ± 0,005. Pada tahap pengujian akhir menggunakan 2.500 citra, model ini kembali menunjukkan performa terbaik dengan macro F1-score 0,556, recall 0,551, dan AUC-ROC 0,765. Deteksi pneumotoraks menjadi yang paling akurat (AUC-ROC 0,880, F1- score 0,678), sedangkan kardiomegali dan nodul/massa memiliki performa terendah, mengindikasikan tantangan dalam mendeteksi kelainan yang bersifat halus atau kecil. Dari sisi efisiensi, ShuffleNetV2 mencatat waktu inferensi tercepat (~17,6 ms per citra) dan jumlah parameter paling sedikit (~1,26 juta), menjadikannya kandidat ideal untuk deployment di perangkat dengan keterbatasan sumber daya. Sebaliknya, meskipun EfficientNetB0 memiliki kompleksitas lebih tinggi (~4 juta parameter, ~33 ms per citra), model ini memberikan akurasi dan sensitivitas yang lebih baik, menjadikannya pilihan utama untuk sistem pendukung diagnosis berbasis AI. Visualisasi Grad-CAM menunjukkan bahwa model ini mampu mengarahkan fokus ke area patologis, terutama infiltrasi, namun tetap menunjukkan kelemahan dalam mendeteksi kardiomegali akibat kurangnya aktivasi pada area jantung. Untuk memvalidasi asumsi penerapan di perangkat terbatas, dilakukan deployment dan pengujian langsung pada emulator Android dengan konfigurasi minimal (1 core CPU, 2 GB RAM, Android 14). Model berhasil dijalankan secara fungsional dan inference time tercatat paling efisien pada ShuffleNetV2 (rata-rata 103 ms), disusul oleh EfficientNetB0 dan MobileNetV2. Hasil ini menunjukkan bahwa seluruh model dapat dioperasikan pada perangkat edge, serta memperkuat relevansi pendekatan ini dalam mendukung sistem deteksi penyakit paru di lokasi dengan keterbatasan infrastruktur.