Klasifikasi Penyakit Jantung Bawaan berdasarkan citra 3D Computed Tomography Menggunakan CNN-LSTM

Abstract

Penyakit jantung bawaan (PJB) merupakan penyakit kelainan pada struktur jantung atau pembuluh darah besar sehingga dapat mengganggu fungsi jantung manusia. Penerapan tekonologi berbasis kecerdasan buatan bisa membantu para ahli medis dalam menentukan penanganan selanjutnya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi PJB dengan mengklasifikasikan citra jantung ke dalam kategori PJB Sianotik, PJB Non-Sianotik, atau jantung normal dengan menggunakan teknik deep learning yang mengkombinasikan model Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Dalam sistem yang diusulkan, model CNN digunakan untuk ekstraksi fitur dari citra, sementara model LSTM digunakan untuk menganalisis pola sekuensial dari citra. Pengujian dilakukan menggunakan total 19.800 citra berbasis pasien dari 72 orang (dengan 275 citra sekuensial per pasien), yang terdiri atas 26 pasien PJB Sianotik, 26 pasien PJB Non-Sianotik, dan 20 pasien dengan jantung normal. Hasil pengujian menunjukkan akurasi pelatihan sebesar 100% akurasi validasi sebesar 71%, dan akurasi data uji sebesar 62% yang mengindikasikan terjadinya overfitting pada model. Kondisi ini mengimplikasikan bahwa sistem mampu menghafal pola PJB secara ekstensif pada data pelatihan, namun menunjukkan keterbatasan dalam generalisasi terhadap data yang belum pernah dilihat sebelumnya. Performa sistem berpotensi untuk ditingkatkan lebih lanjut dengan ketersediaan citra pasien yang lebih beragam dan dalam jumlah yang lebih besar.