Analisis Kinerja Deep Learning dalam Deteksi Dini Penyakit Menggunakan Citra Medis

Awaludin; Rafiq An Nahari; Anthomy Pehan Goran; Rafly M Fauzi

doi:10.70716/jocsit.v2i1.393

Authors

Awaludin Program Studi Teknik Informatika, Universitas AMIKOM Yogyakarta, Seleman, Indonesia
Rafiq An Nahari Program Studi Teknik Informatika, Universitas AMIKOM Yogyakarta, Seleman, Indonesia
Anthomy Pehan Goran Program Studi Teknik Informatika, Universitas AMIKOM Yogyakarta, Seleman, Indonesia
Rafly M Fauzi Program Studi Teknik Informatika, Universitas AMIKOM Yogyakarta, Seleman, IndonesiaProgram Studi Teknik Informatika, Universitas AMIKOM Yogyakarta, Seleman, Indonesia

DOI:

https://doi.org/10.70716/jocsit.v2i1.393

Keywords:

medical images, deep learning, early detection, convolutional neural network , disease diagnosis

Abstract

Advances in artificial intelligence technology, particularly deep learning, have been widely utilized in medical image processing to support early disease detection. Previous studies have shown that Convolutional Neural Networks (CNN) are capable of achieving high levels of accuracy in medical image classification, but differences in architecture and training methods result in varying performance. This study aims to analyze and compare the performance of deep learning algorithms in early disease detection using medical images, using previous research as a benchmark. Transfer learning-based CNN models, namely VGG16 and ResNet50, were used and evaluated using a labeled medical image dataset. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics, and the results were compared with accuracy achieved in previous studies using similar approaches. The analysis showed that the ResNet50 model achieved an accuracy of up to 95.3%, comparable to or better than several previous studies. These findings confirm that the choice of CNN architecture and training strategy significantly influences the performance of medical image-based early disease detection systems.

Downloads

Download data is not yet available.

References

Abdullah, S. H., Magdalena, R., & Fu'adah, R. Y. N. (2022). Klasifikasi Diabetic Retinopathy Berbasis Pengolahan Citra Fundus Dan Deep Learning. Journal of Electrical and System Control Engineering, 5(2), 84-90.

Bakti, I., & Firdaus, M. (2023). Arsitektur CNN InceptionResNet-V2 Untuk Pengelompokan Pneumonia Chest X-Ray. Jurnal Komputer dan Teknologi, 2(1), 35-42.

Basri, M. Z., Somoal, M. G., & Aji, R. S. (2025). Deteksi Tumor Otak pada Citra Magnetic Resonance Imaging (MRI) Menggunakan Arsitektur MobileNet dengan Optimizer Adam. JEKIN-Jurnal Teknik Informatika, 5(2), 539-550.

Berliani, T., Rahardja, E., & Septiana, L. (2023). Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16. Journal of Medicine and Health, 5(2), 123- 135.

Hildawati, H., Haryani, H., Umar, N., Suprayitno, D., Mukhlis, I. R., Sulistyowati, D. I. D., ... & Judijanto, L. (2024). Literasi Digital: Membangun Wawasan Cerdas dalam Era Digital terkini. PT. Green Pustaka Indonesia.

Khairi, M. Y., Sampetoding, E. A. M., & Pongtambing, Y. S. (2024). Studi Literatur Penerapan Deep Learning dalam Analisis Citra Medis di Indonesia. HealthSense: Journal of Public Health Perspective, 1(1), 15- 24.

Nova, N., Mulyanti, A., Burhanie, C. S. A. P., Mulyani, L., Nurjanah, R. G., Utami, W., & Sukaesih, N. S. (2025). Systematic Review: Pemanfaatan Deep Learning untuk Diagnosis Penyakit Menggunakan MRI. Jurnal Penelitian Inovatif, 5(2), 839-852.

Nugroho, B., & Puspaningrum, E. Y. (2021). Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 8(3), 533-538.

Prasetio, R. T., & Pratiwi, P. (2015). Penerapan Teknik Bagging pada Algoritma Klasifikasi untuk Mengatasi Ketidakseimbangan Kelas Dataset Medis. Jurnal Informatika, 2(2).

Pratama, S. S., Zahrah, H., Daulah, R. N., & Pratama, G. (2025). Tantangan dan Peluang Kecerdasan Buatan (AI) dalam Manajemen Digital: Kajian Etis dan Strategis di Indonesia. Jejak digital: Jurnal Ilmiah Multidisiplin, 1(4b), 2230-2235.

Rasywir, E., Sinaga, R., & Pratama, Y. (2020). Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN). Jurnal Khatulistiwa Informatika, 22(2), 117-123.

Santhi, N. N. P. P., & Damayanti, N. W. E. (2024). Implikasi Hukum Terhadap Penggunaan Kecerdasan Buatan Dalam Diagnosis Dan Pengobatan Penyakit Dalam Sistem Kesehatan. Innovative: Journal Of Social Science Research, 4(3), 17355-17364.

Sari, N. P. (2024). Analisis Performa Algoritma CNN dalam Klasifikasi Citra Medis Berbasis Deep Learning. Jurnal Komputer, 2(2), 87-92.

Sari, R., Minarno, A. E., & Azhar, Y. (2022). Implementasi Jaringan CNN-LSTM Untuk Deteksi Citra X-Ray Dada Covid-19. Jurnal Repositor, 4(4).

Sitohang, A., Sembiring, A., & Simanjorang, S. (2025). Implementasi Jaringan Syaraf Tiruan Dalam Klasifikasi Citra Medis. Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer), 24(1), 64-72. Triginandri, R., & Subhiyakto, E. R. (2024). Deteksi Dini Cacar Monyet menggunakan Convolutional NeuralNetwork (CNN) dalam Aplikasi Mobile. Edumatic: Jurnal Pendidikan Informatika, 8(2), 516-5 25.

Turnando, I., Thamrin, A. F., Firmasnyah, H., Nelesti, N., & Hidayat, T. (2025). Tantangan Dan Peluang Implementasi Ai Di Sekolah Indonesia: Studi Kasus Dan Best Practice: Penelitian. Jurnal Pengabdian Masyarakat dan Riset Pendidikan, 4(1), 1215-1219.

Wiratama, A. S., Rifqi, M., & Maesaroh, S. (2023). Efektivitas Transfer Learning Dalam Pendeteksian PenyakitPneumonia Melalui Citra X-Ray Paru Manusia. Jurnal Ilmiah Sains dan Teknologi, 7(1), 43-52.

Wulandari, M., Novriyanti, T., Purwadhi, P., & Widjaja, Y. R. (2025). Implementasi Strategi Transformasi Digital dalam Meningkatkan Kualitas Pelayanan di Rumah Sakit: Studi Kualitatif. Innovative: Journal Of Social Science Research, 5(1), 1415-1427.