Integrasi Model Deep Learning Berbasis ONNX dalam Sistem Deteksi Tuberkulosis Menggunakan FastAPI dan Next.js

Shendi Teuku Maulana Efendi

Abstract


Tuberkulosis (TB) merupakan penyakit menular yang masih menjadi permasalahan serius dalam bidang kesehatan global, khususnya di Indonesia yang menempati peringkat kedua jumlah kasus tertinggi di dunia. Deteksi TB melalui citra X-Ray secara manual memiliki keterbatasan dalam hal subjektivitas, waktu, serta ketergantungan pada tenaga ahli. Penelitian ini bertujuan untuk membangun sistem deteksi TB yang terintegrasi secara end-to-end dengan memanfaatkan model deep learning DenseNet-121 dalam format Open Neural Network Exchange (ONNX), serta mengintegrasikannya ke dalam platform web berbasis FastAPI (backend), Next.js (frontend), dan PostgreSQL (database). Pengembangan sistem dilakukan menggunakan metode Agile dengan kerangka kerja Scrum secara individu. Proses sistem dimulai dari unggah citra X-Ray, inferensi model menggunakan ONNX Runtime, hingga penyimpanan hasil ke dalam database. Evaluasi dilakukan terhadap fungsionalitas sistem, waktu respons, dan akurasi model. Hasil pengujian menunjukkan bahwa seluruh fitur berjalan sesuai ekspektasi. Dari 15 kali pengujian, sistem mencatat akurasi sebesar 97% dengan AUC-ROC 0.97, serta waktu respons rata-rata ±1,32 detik, yang menandakan sistem cukup cepat dan andal untuk deteksi real-time dalam lingkungan lokal. Dengan demikian, integrasi model DL berbasis ONNX dalam sistem web terbukti mampu mempercepat proses deteksi TB secara efisien dan terstruktur.

References


E. Ahishakiye, M. B. Van Gijzen, J. Tumwiine, R. Wario, and J. Obungoloch, “A Survey on Deep Learning in Medical Image Reconstruction,” Intelligent Medicine, vol. 1, no. 3, pp. 118–127, Mar. 2021, doi: 10.1016/j.imed.2021.03.003.

N. Lubis, Mhd. Z. Siambaton, and R. Aulia, “Implementasi Algoritma Deep Learning pada Aplikasi Speech to Text Online dengan Metode Recurrent Neural Network (RNN),” Jurnal Teknik Informatika, vol. 3, no. 3, pp. 113–126, Sep. 2024, doi: 10.56211/sudo.v3i3.583.

P. Hafidzah, S. Maryani, B. Y. Ihsani, E. Erwin, and A. K. Niswariyana, “Penerapan Deep Learning dalam Menganalisis Sentimen di Media Sosial,” Seminar Nasional Paedagoria, vol. 4, pp. 328–339, Aug. 2024.

A. M. Sari, “Rancang Bangun Model Klasifikasi Kanker Kulit Menggunakan Convolutional Neural Network (CNN) VGG16,” Seminar Nasional Teknologi Informasi dan Komunikasi, pp. 439–449, 2024.

T. Berliani, E. Rahardja, and L. Septiana, “Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16,” Journal of Medicine and Health, vol. 5, no. 2, pp. 123–135, Aug. 2023, doi: 10.28932/jmh.v5i2.6116.

P. Rosyani et al., “Klasifikasi Penyakit Paru-Paru Berbasis Pengolahan Citra X-Ray Menggunakan Convolutional Neural Network,” Buletin Ilmiah Ilmu Komputer dan Multimedia, vol. 2, no. 3, pp. 622–627, Nov. 2024, [Online]. Available: https://jurnalmahasiswa.com/index.php/biikma

World Health Organization, “Global Tuberculosis Report 2024,” 2024. [Online]. Available: https://www.who.int/teams/global-programme-on-tuberculosis-and-lung-health/tb-reports/global-tuberculosis-report-2024

S. Supriyanti, T. F. Pohan, and K. N. Siregar, “Sistem Monitoring dan Evaluasi Serta Perkembangan Program Pencegahan dan Pengendalian Penyakit Tuberkulosis di Dinas Kesehatan Kota Depok,” Jurnal Biostatistik, Kependudukan, dan Informatika Kesehatan, vol. 4, no. 2, pp. 83–98, Mar. 2024, doi: 10.7454/bikfokes.v4i2.1055.

Kementerian Kesehatan RI, “Laporan Tahunan Program TBC 2022,” Jakarta, Sep. 2023. [Online]. Available: https://tbindonesia.or.id/wp-content/uploads/2023/09/Laporan-Tahunan-Program-TBC-2022.pdf

M. I. Prasetya, Y. Alkhalifi, R. Sadikin, and Y. Rianto, “Comparative Classification of Lung X-Ray Images With Convolutional Neural Network, VGG16, Densenet121,” Techno Nusa Mandiri: Journal of Computing and Information Technology As an Accredited Journal Rank, vol. 19, no. 1, pp. 55–60, Mar. 2022, doi: 10.33480/techno.v19i1.3010.

A. Lelewana, S. Surnianti, and I. Restika, “Determinan Perilaku Pencarian Pengobatan Pada Penderita TB Paru Di Puskesmas Tamalanrea,” Jurnal Ilmiah Mahasiswa & Penelitian Keperawatan, vol. 4, no. 2, p. 2024, Apr. 2024.

G. Hiremath, J. A. Mathew, and N. K. Boraiah, “Hybrid Statistical and Texture Features with DenseNet 121 for Breast Cancer Classification,” International Journal of Intelligent Engineering and Systems, vol. 16, no. 2, pp. 24–34, Sep. 2022, doi: 10.22266/ijies2023.0430.03.

A. Tirtana and R. S. Irawan, “Implementasi Convolutional Neural Network dengan Arsitektur MobileNetV2 Untuk Pengklasifikasi Kesegeran Daging,” vol. 8, no. 1, pp. 41–47, 2024, [Online]. Available: http://e-journal.unipma.ac.id/index.php/doubleclick

A. Agustina, F. Yanto, E. Budianita, I. Iskandar, and F. Syafria, “Klasifikasi Penyakit Tanaman Padi Menggunakan Metode CNN Arsitektur DenseNet-121 Dan Augmentasi Data,” Journal Of Information Systems And Informatics Engineering, vol. 8, no. 1, pp. 124–134, Jun. 2024, doi: 10.35145/joisie.v8i1.4256.

M. Bundea and G. M. Danciu, “Pneumonia Image Classification Using DenseNet Architecture,” Information (Switzerland), vol. 15, no. 10, pp. 1–15, Oct. 2024, doi: 10.3390/info15100611.

M. Madyono and A. Nabilah, “Detection of Tuberculosis Disease in Lung X-ray Images Using the DenseNet121 Method,” International Journal of Engineering, Science and Information Technology, vol. 5, no. 2, pp. 379–385, Mar. 2025, doi: 10.52088/ijesty.v5i2.853.

O. Hamza, “Machine Learning Model Deployment Using Fastapi And Docker: A Modern Approach To Scalable Ai Services,” Pedagogik Tadqiqotlar Jurnali, pp. 69–73, Apr. 2025, [Online]. Available: https://scholar.google.com/scholar?hl=ru&as_sdt=0%2C5&q=wosjournals.com&btnG


Refbacks

  • There are currently no refbacks.



 
PANDUAN SUBMITE ARTIKEL
 


Kantor Sekertariat:
Universitas PGRI Madiun
Jl. Auri No. 14-16  Kota Madiun 63118
Lt 3 Kantor Program Studi Teknik Informatika
email :  [email protected]
 
 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.